Assessing Projected Quantum Kernels for the Classification of IoT Data

Technische Samenvatting: Beoordeling van geprojecteerde quantumkernels voor de classificatie van IoT-gegevens

1. Probleemstelling

De integratie van quantumcomputing in machine learning (Quantum Machine Learning, QML) staat voor een fundamentele uitdaging: de schaarste aan datasets die specifiek zijn ontworpen voor quantumbenaderingen. De meeste bestaande datasets zijn afkomstig uit klassieke machine learning en vereisen intensieve voorbewerking (zoals dimensionaliteitsreductie via PCA of autoencoders) om compatibel te zijn met de beperkte qubit-capaciteit van huidige NISQ-hardware (Noisy Intermediate-Scale Quantum). Deze voorbewerking kan de intrinsieke aard van de data veranderen en het bewijs voor een eventueel "quantumvoordeel" vertroebelen.

2. Methodologie

De onderzoekers hebben een methodologie ontwikkeld die de noodzaak voor dimensionaliteitsreductie elimineert door gebruik te maken van een real-world dataset uit een Internet-of-Things (IoT) omgeving.

• Dataset: De COGITO-IoT dataset bevat 2865 records van omgevingssensoren (lichtintensiteit, luchtvochtigheid, $CO_2$, temperatuur, etc.) uit een kantoorgebouw. De data is direct bruikbaar voor quantum-encoding zonder complexe voorbewerking.
• Algoritmen: De studie vergelijkt drie hoofdbenaderingen voor een binaire classificatietaak (bezet vs. niet-bezet):
  1. Projected Quantum Kernel (PQK): Een methode die quantumtoestanden in de Hilbertruimte projecteert naar een klassieke ruimte via quantummetingen, waardoor de exponentiële dimensionaliteit wordt beheersbaar.
  2. Standaard Quantum Kernel (QK): Gebaseerd op de overlap tussen quantumtoestanden.
  3. Klassieke Support Vector Machine (SVM): Met een RBF-kernel als benchmark.
• Quantum Encoding & Projectie: Er zijn verschillende circuits getest, variërend van eenvoudige rotaties (RotX, 3D) tot complexe, diepe circuits (ZZFeatureMap, IQP, Trotterized). De PQK-methode maakte gebruik van verschillende meetstrategieën ($m=1$ voor lokale metingen en $m=2$ voor niet-lokale metingen op qubit-paren).

3. Belangrijkste Bijdragen

• Directe IoT-to-Quantum Pipeline: Het demonstreren van een workflow waarbij real-world sensordata direct in een quantumcircuit kan worden geïnjecteerd.
• Evaluatie van Circuitdiepte: Het onderzoek biedt inzicht in de relatie tussen de complexiteit van de quantum-encoding en de effectiviteit van het leerproces.
• Complexiteitsanalyse: Een theoretische onderbouwing dat PQK een lagere computationele complexiteit heeft ($\mathcal{O}(N)$ voor de quantumcomponent) vergeleken met QK ($\mathcal{O}(N^2)$).
• Analyse van Shot Noise: Het identificeren van de rol van meetruis (shot noise) in de prestaties van QML-modellen.

4. Resultaten

• Prestaties van PQK: De PQK-modellen presteren vergelijkbaar met, en in sommige gevallen zelfs beter dan, de klassieke SVM-RBF. Met name de 3D-CNOT feature map met $m=2$ metingen leverde de hoogste nauwkeurigheid op.
• Diepte vs. Effectiviteit: Een cruciale bevinding is dat ondiepe (shallow) circuits (zoals RotX en 3D) vaak beter presteren of gelijkwaardig zijn aan diepe, complexe circuits. Complexe encodings zoals de ZZFeatureMap presteerden verrassend slecht in deze context.
• Compactheid: PQK produceert compactere modellen met minder support vectors dan de klassieke SVM, wat duidt op een betere generalisatie met minder data.
• Positieve invloed van ruis: De resultaten tonen aan dat een beperkte hoeveelheid shot noise de prestaties kan verbeteren, mogelijk door het helpen ontsnappen aan lokale minima in de verliesfunctie.

5. Betekenis en Conclusie

Dit onderzoek is significant omdat het aantoont dat quantum-kernelmethoden, specifiek de geprojecteerde variant (PQK), een levensvatbaar en competitief alternatief zijn voor klassieke machine learning bij het verwerken van real-world IoT-data.

De belangrijkste les voor de sector is dat "meer complexiteit niet automatisch leidt tot betere resultaten" in QML; de keuze van de encoding en de projectiestrategie is belangrijker dan de diepte van het circuit. Dit biedt een pad naar efficiëntere en praktisch toepasbare quantumalgoritmen voor de NISQ-era, waarbij de focus moet liggen op optimalisatie van de data-representatie in plaats van louter het vergroten van de circuitdiepte.