cuTN-QSVM: cuTensorNet-accelerated Quantum Support Vector Machine with cuQuantum SDK

本文研究了量子支持向量机（QSVMs）的应用，重点关注了NVIDIA的cuQuantum SDK所提供的计算优化，尤其是利用cuTensorNet库。我们提出了一个模拟工作流程，大大减少了计算开销，实验证明我们的实验从指数级成本降至二次级。虽然状态向量模拟对于超过50个量子比特的计数变得不可行，但我们的评估表明，即使对于接近784个量子比特的计数，cuTensorNet也能够加速模拟，在NVIDIA A100 GPU上完成模拟只需几秒钟。通过使用消息传递接口（MPI）的多GPU处理，我们记录了计算时间的显着减少，有效地展示了我们的方法针对不断增加的数据规模具有强线性加速的能力。这使得QSVMs能够在高性能计算（HPC）系统上高效运行，从而为研究人员探索尚未研究的复杂量子算法打开了新的窗口。在准确性评估方面，我们的QSVM在MNIST数据集中对于训练集大于100个实例的具有挑战性的分类任务中，实现了高达95％的准确率，超过了经典SVM的能力。这些进展将cuTensorNet定位为cuQuantum SDK中扩展量子机器学习模拟的关键工具，并可能标志着这种计算策略在量子HPC生态系统中的无缝集成。

本论文旨在探讨量子支持向量机（QSVMs）的应用，重点在于 NVIDIA 的 cuQuantum SDK 所启用的计算机技术进步，特别是利用 cuTensorNet 库。研究试图解决的问题是如何在高性能计算系统上高效地运行 QSVMs，以便探索尚未研究的复杂量子算法。

论文的关键思路是利用 NVIDIA 的 cuQuantum SDK 中的 cuTensorNet 库，通过使用多 GPU 处理和消息传递接口（MPI）来加速 QSVMs 的模拟，从而将计算复杂度从指数级降低到二次方级。实验结果表明，这种方法能够在 NVIDIA A100 GPU 上完成模拟，即使在接近 784 个量子比特的情况下也能在几秒钟内完成。此外，我们的 QSVM 在 MNIST 数据集上的分类准确率达到了 95％，超过了经典 SVMs 的性能。

论文的亮点包括：1. 使用 NVIDIA 的 cuQuantum SDK 中的 cuTensorNet 库大大降低了 QSVMs 模拟的计算复杂度；2. 实验结果表明，这种方法能够在高性能计算系统上高效地运行 QSVMs，从而探索尚未研究的复杂量子算法；3. 在 MNIST 数据集上，我们的 QSVM 的分类准确率达到了 95％，超过了经典 SVMs 的性能。

在最近的研究中，还有一些与本论文相关的研究，例如“Quantum Machine Learning for Data Scientists: A Review of State-of-the-Art Algorithms and Hardware”，“Quantum Support Vector Machine for Big Data Classification”，“Quantum Machine Learning: A Classical Approach”，等等。