A Systematic Study of Noise Effects in Hybrid Quantum-Classical Machine Learning
Diese Arbeit führt eine systematische experimentelle Studie durch, die zeigt, dass die Kombination aus verrauschten klassischen Eingangsdaten und Quanten-Hardware-Rauschen die Robustheit von hybriden quantenklassischen Machine-Learning-Modellen erheblich beeinträchtigt und die Notwendigkeit einer gleichzeitigen Betrachtung beider Rauschquellen im NISQ-Zeitalter unterstreicht.