L'apprentissage automatique à l'ère quantique : Machines à vecteurs de support quantiques versus classiques

Ce travail s’efforce de comparer l’efficacité des algorithmes d’apprentissage automatique dans les paradigmes computationnels classiques et quantiques. Plus précisément, en mettant l’accent sur les Machines à Vecteurs de Support (SVM), nous examinons la capacité de classification des SVM classiques et des SVM quantiques (QSVM) fonctionnant sur des architectures quantiques, sur le jeu de données Iris. La méthodologie adoptée repose sur une série étendue d’expériences menées à l’aide de la bibliothèque Qiskit, accompagnées d’une optimisation des hyperparamètres. Les résultats révèlent que, dans certains scénarios particuliers, les QSVM atteignent un niveau de précision susceptible de rivaliser avec celui des SVM classiques, bien que les temps d’exécution restent actuellement élevés. En outre, nous soulignons que l’amélioration de la capacité computationnelle quantique ainsi que l’augmentation du degré de parallélisme peuvent considérablement améliorer les performances des algorithmes d’apprentissage automatique quantiques. Cette étude fournit des aperçus précieux sur l’état actuel et les perspectives futures des applications de l’apprentissage automatique dans l’ère quantique. Colab : https://t.ly/QKuz0