Estratégias de treinamento em batch para classificadores binários quânticos baseados em gradiente

Abstract

Oprocessamento da informação quântica inaugura uma nova forma de computação e uma nova forma de pensar técnicas de processamento de dados para aprendizagem de máquinas. Este estudo investiga o uso da superposição na construção de batches de dados. Trabalhos como (FARHI; NEVEN, 2018) e (SCHULD et al., 2020) introduziram a ideia mas até o presente momento não existe uma análise comparativa ou mesmo uma formalização conceitual sobre o tema. De forma a preencher essa lacuna, propõe-se um método comparativo e uma catego rização das estratégias encontradas na literatura. Como contribuição adicional, apresenta-se uma nova estratégia em que o batch é composto por mais de um circuito com dados em su perposição. As estratégias foram avaliadas de forma experimental em classificadores quânticos variacionais para diferentes configurações de hiperparâmetros do batch. Entre os resultados, verificou-se que estratégias com maior quantidade de padrões em superposição alcançaram valores médios superiores de acurácia no treino e no teste, além de maior capacidade de generalização