Better than classical? The subtle art of benchmarking quantum machine learning models

在无噪声硬件可用之前，通过经典模拟对模型进行基准测试是评估量子机器学习想法的主要方式之一。然而，实验设计对结果的影响巨大，现在可达到的规模很小，以及受商业化影响的叙述使得获得可靠的见解变得困难。为了促进更好的决策制定，我们开发了一个基于PennyLane软件框架的开源包，并使用它对6个用于创建160个单独数据集的二进制分类任务上的12个流行的量子机器学习模型进行了系统测试。我们发现，总体而言，开箱即用的经典机器学习模型优于量子分类器。此外，从量子模型中去除纠缠通常会导致同样或更好的性能，这表明“量子性”可能不是这里考虑的小型学习任务的关键因素。我们的基准测试还开启了超越简单排行榜比较的研究，并从我们的结果中确定了五个量子模型设计的重要问题。

量子机器学习模型的性能评估和设计问题

使用PennyLane软件框架进行大规模实验，发现在小规模学习任务中，传统机器学习模型的表现优于量子分类器，去除量子模型的纠缠后性能并不会降低，暗示量子特性可能不是小规模学习任务的关键因素。

论文使用PennyLane软件框架开展大规模实验，测试12个流行的量子机器学习模型在6个二分类任务上的性能，共涉及160个数据集。实验结果发现，传统机器学习模型的表现优于量子分类器，去除量子模型的纠缠后性能并不会降低，暗示量子特性可能不是小规模学习任务的关键因素。论文提出了五个量子模型设计的重要问题，并指出该研究可用于超越简单的排行榜比较。

相关研究包括：1. Farhi等人的量子支持向量机模型；2. Schuld等人的量子神经网络模型；3. Havlíček等人的量子核方法。