Disentangling Quantum and Classical Contributions in Hybrid Quantum Machine Learning Architectures

量子计算提供了更强大的计算能力，特别是对于数据密集型任务。然而，目前量子硬件的状态对输入大小有很大的限制。为了解决这个问题，已经开发了混合迁移学习解决方案，将预训练的经典模型（能够处理大量输入）与变分量子电路相结合。然而，目前仍不清楚每个组件（经典和量子）对模型结果的贡献有多大。我们提出了一种新的混合架构：不是利用预训练网络进行压缩，而是使用自编码器来得到输入数据的压缩版本。然后，将这个压缩的数据通过自编码器的编码器部分传输到量子组件。我们将我们的模型的分类能力与两种最先进的混合迁移学习架构、两种纯经典架构和一种量子架构进行了比较。它们的准确性在四个数据集上进行了比较：银行票据认证、威斯康星州乳腺癌、MNIST数字和AudioMNIST。我们的研究表明，经典组件在混合迁移学习中对分类有显著影响，这种贡献常常被错误地归因于量子元素。我们的模型的性能与使用幅度嵌入的变分量子电路的性能相一致，使其成为可行的替代方案。

本论文旨在解决量子计算在输入数据规模受限的情况下，如何进行优化的问题。同时，也试图揭示在混合迁移学习中，经典组件和量子组件各自对模型结果的贡献。

本论文提出了一种新的混合结构，使用自编码器来压缩输入数据，然后将压缩后的数据通过编码器部分传输到量子组件中进行处理。实验结果表明，与当前领域的研究相比，这种结构具有可行性，并且能够与使用幅度嵌入的变分量子电路相媲美。

本论文使用了四个数据集进行实验，分别是Banknote Authentication、Breast Cancer Wisconsin、MNIST digits和AudioMNIST。实验结果表明，在混合迁移学习中，经典组件对分类结果有着重要的影响，而这一点经常被错误地归因于量子元素。此外，本论文的方法也为解决量子计算中输入规模受限问题提供了一种新思路。

相关论文包括： 1. Hybrid Quantum-Classical Neural Networks with Classical Readout Layers，作者：Jack Ceroni等，机构：IBM Quantum 2. Transfer Learning with Variational Autoencoders for Quantum-Classical Hybrid Systems，作者：Kazuki Yoshioka等，机构：University of Tokyo 3. Quantum Transfer Learning，作者：Xin Wang等，机构：University of Science and Technology of China