Qmes: Quantum Meta-Learning for Encoding Selection in Quantum Kernel Methods

技术摘要：Qmes —— 用于量子核方法中编码选择的量子元学习

问题陈述
在量子核方法（QKMs）中，预测性能高度依赖于编码电路（特征映射）的选择，该选择定义了希尔伯特空间的几何结构以及由此产生的相似性度量。传统的选择有效电路的方法涉及穷举搜索：构建并评估针对特定数据集的所有候选电路，以寻找表现最佳者。这一过程在计算上是极其昂贵的，因为单次评估需要计算 $n$ 个样本的 $O(n^2)$ 核矩阵，且这种排名无法在不同数据集之间复用。现有的自动化方法要么需要针对每个数据集进行新的优化循环，要么针对变分电路而非固定量子核进行优化。

方法论
本文介绍了 Qmes，一个通过监督元学习框架实现自动编码电路选择的开源 Python 软件包。该系统分为两个截然不同的阶段运行：

1. 元数据集构建（离线阶段）：
   • 特征提取： 对于一系列基准数据集，系统提取了经典复杂度元特征（使用 Problexity 库），这些特征独立于任何特定学习算法来表征数据集的结构。对于分类任务，提取 22 维特征；对于回归任务，提取 12 维特征。
   • 量子评估： 每个数据集都会针对 7 个预定义的编码电路池进行评估。评估使用无噪声态矢量模拟器（Qsun）并采用 3 折交叉验证。
     • 对于分类，性能通过支持向量分类器（SVC）使用马修斯相关系数（MCC）进行评分。
     • 对于回归，性能通过核岭回归（KRR）使用决定系数（$R^2$）进行评分。
   • 数据过滤： 排除掉没有任何电路表现显著优于随机水平（得分 < 0.1）或所有电路都趋于饱和（得分 > 0.99）的数据集，以确保存在可学习的信号。这最终形成了一个包含 105 个分类数据集和 86 个回归数据集的元数据集。
2. 推荐器训练与推理：
   • 架构： 核心组件是 PairwiseRecommender（成对推荐器）。Qmes 并没有训练单个多分类器来挑选“最佳”电路，而是将问题分解为 $\binom{|K|}{2}$ 个二分类任务（一对一法）。对于每一对电路 $(c_a, c_b)$，一个二分类器会根据数据集的复杂度特征来学习预测哪种电路表现更好。
   • 模型选择： 系统在 14 种经典机器学习模型和各种特征子集（按互信息排序）中进行搜索，以最小化平均遗憾值（mean regret）。遗憾值被定义为推荐电路与给定数据集真实表现最佳电路之间的性能差距。
   • 推理： 对于一个新的、未见过的数据集，系统提取复杂度特征并将其通过预训练的成对分类器。最终的推荐是通过投票机制确定的排名电路列表，在推理阶段无需进行任何量子计算。

主要贡献

• Qmes 软件包： 一个开源、模块化的 Python 软件包（兼容 Python $\ge$ 3.10），实现了完整的流水线，包括元特征提取、量子评估、推荐器训练和用户自定义电路扩展。
• 向回归任务的扩展： 虽然以往的工作侧重于分类，但 Qmes 通过适当的成对公式化和 $R^2$ 评分，将元学习方法扩展到了回归任务。
• 高效推理： 通过将量子计算成本完全转移到离线元数据集构建阶段，推理过程变得完全经典化，从而实现了对新数据集的快速电路选择。
• 模块化设计： 该软件架构允许用户轻松添加新的元特征来源或自定义评估器，而无需修改核心推荐逻辑。

结果
作者在 105 个分类和 86 个回归基准数据集上验证了 Qmes。与非自适应基线（即不使用元学习来适应数据集特征的方法）相比，Qmes 展示了显著的改进：

• 分类： 平均推荐遗憾值降低了 2.2 倍。
• 回归： 平均推荐遗憾值降低了 4.2 倍。
• 统计显著性： 这些改进通过配对 Wilcoxon 符号秩检验得到了证实，$p < 10^{-4}$。

意义与主张
论文声称 Qmes 实现了量子核方法中高效且实用的编码电路选择。通过利用经典复杂度度量来预测量子性能，它消除了在选择阶段进行昂贵的、针对特定数据集的量子评估的必要性。作者将这项工作定位为从穷举搜索向数据集感知选择的转变，使量子核方法的应用更具可扩展性。该工作被呈现为一个实用的工具（一个软件库）而非理论突破，其主要目标是降低配置量子核模型相关的计算开销。

局限性与限制
论文明确指出了若干约束：

• 范围： 该软件包仅针对监督式表格分类和回归任务，因为复杂度度量需要标签目标。
• 模拟： 电路评估依赖于无噪声态矢量模拟；目前不支持硬件执行和噪声模型。
• 元特征： 系统依赖于特定的经典复杂度指标；虽然具有可扩展性，但当前性能与所提供的特征集紧密相关。