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

本文研究了量子支持向量机（QSVM）的应用，重点关注了NVIDIA的cuQuantum SDK所带来的计算优化，特别是利用cuTensorNet库。我们提出了一个模拟工作流程，大大降低了计算开销，实验表明，计算成本从指数级降至二次级。虽然对于量子位数超过50的状态向量模拟变得不可行，但我们的评估表明，利用cuTensorNet库，即使对于接近784个量子位数的模拟，也能在NVIDIA A100 GPU上在几秒钟内完成。通过使用消息传递接口（MPI）进行多GPU处理，我们记录了计算时间的显著减少，有效地展示了我们的方法对于不断增加的数据大小的强线性加速。这使得QSVM能够在高性能计算（HPC）系统上有效运行，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数据集中的挑战性分类中，对于训练集大于100个实例，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库定位为cuQuantum SDK中用于扩展量子机器学习模拟的关键工具，可能标志着将这种计算策略无缝集成到量子HPC生态系统中的重要性。

本文旨在研究量子支持向量机（QSVM）的应用，特别是借助NVIDIA的cuQuantum SDK和cuTensorNet库实现的计算优化。研究旨在解决QSVM在处理大规模数据时的计算成本高的问题，同时验证其在MNIST数据集分类任务上的准确性。

本文的关键思路是使用NVIDIA的cuQuantum SDK和cuTensorNet库来优化量子支持向量机（QSVM）的计算，从而实现在高性能计算机上高效处理大规模数据的目标。同时，本文还提出了一种新的多GPU处理方式，进一步提高了计算效率。

本文的亮点在于：1.使用cuQuantum SDK和cuTensorNet库实现了QSVM的计算优化，使得处理大规模数据的计算成本从指数级降到了二次级；2.使用多GPU处理方式，进一步提高了计算效率；3.在MNIST数据集分类任务上，QSVM的准确率可以达到95%以上，超过了传统支持向量机的表现。

近期在量子机器学习领域的相关研究包括：1.《Quantum machine learning for data scientists》；2.《Quantum Machine Learning: A Classical Approach》；3.《Quantum Machine Learning: What Quantum Computing Means to Data Mining》等。