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

在无噪声硬件出现之前，通过经典模拟来对量子机器学习的想法进行基准测试是判断其有效性的主要方法之一。然而，实验设计对结果的影响巨大，今天可以达到的规模很小，以及由于量子技术商业化而受到影响的叙述，使得难以获得可靠的见解。为了促进更好的决策，我们开发了一个基于PennyLane软件框架的开源软件包，并使用它对6个用于创建160个独立数据集的二元分类任务上的12个流行的量子机器学习模型进行系统测试。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，从量子模型中删除纠缠通常会导致同样好或更好的性能，这表明“量子性”可能不是考虑到这里的小型学习任务的关键因素。我们的基准测试还解锁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关于量子模型设计的重要问题。

量子机器学习模型的基准测试和性能比较

使用PennyLane软件框架开发开源包，系统测试12种流行的量子机器学习模型在6个二分类任务中的性能表现，发现在小规模学习任务中，现有的经典机器学习模型表现更好，而且去除量子模型中的纠缠也能获得同样好的性能

实验设计系统且开源，测试了160个数据集，发现五个重要问题需要进一步研究

最近的相关研究包括“Quantum Machine Learning Models Are Kernel Methods”和“Quantum Machine Learning in High Energy Physics”等