Diversity-Aware Ensemble of Quantum-Classical Models via Combinatorial Fusion
本文提出了一种利用组合融合分析（Combinatorial Fusion Analysis）的差异感知集成框架，旨在有效地结合架构多样化的经典模型与量子模型，并证明了这种混合方法在多个二分类基准测试中始终优于表现最佳的单个模型。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在量子机器学习这一新兴领域，科学家们正试图教计算机利用量子物理的奇特规则来解决问题。不同于日常计算机中非零即一的标准比特，这些机器使用的是量子比特（qubits），它们可以同时存在于多种状态之中。为了让这些机器具备学习能力，研究人员构建了由量子门组成的特殊电路。这些门并非物理上的导线和开关，而是旋转和扭转量子比特状态的数学指令。挑战在于，排列这些指令的方式有无数种。正如一位厨师可能会尝试不同的香料组合以完善一道菜肴一样，研究人员必须选择正确的门排列方式，以获得最佳结果。长期以来，标准做法是搜索这些可能性，挑选出单一的最佳设计，并丢弃其余的设计。这种方法假设对于每项任务都存在一个完美的架构，而其他设计仅仅是失败的尝试。
然而，一项新的研究表明，这种方法可能正在丢弃有价值的信息。研究人员通过结合量子和经典计算机模型，提出了一个不同的问题：如果那些本身并未获胜的设计仍然持有有用的线索呢？他们提议，通过结合许多不同的设计，即使是不完美的那些，这个群体也能做出比任何单一模型都更好的预测。这个想法依赖于“多样性”的概念。在团队中，拥有思维方式不同的成员通常比拥有一群完全相同的专家更为强大。如果一个人犯了错误，另一个人可能会清晰地看到答案。研究人员将这一逻辑应用于量子电路，将每种不同的设计视为团队中独特的成员。他们使用一种称为“组合融合分析”（combinatorial fusion analysis）的方法来衡量每个模型看待数据的方式的差异，然后将它们的答案结合起来。结果表明，通过倾听一群多样化模型的意见，而不是只听从表现最好的那一个，系统在解决复杂分类任务时的准确性显著提高，证明了众多不同方法的集体智慧优于单一天才的独创。
团队首先创建了一个包含二十九个不同模型的庞大资源池进行测试。这个群体包括二十个具有各种结构的量子电路和九个经典模型，例如标准的机器学习算法和深度学习网络。量子电路是基于两种主要策略构建的。首先，他们基于一种测试如何连接量子比特及其旋转状态的搜索过程，生成了十二个变体。其次，他们添加了八个经过精心挑选的电路，这些电路使用了完全不同的数学构建模块，其中一些受到自然界中粒子相互作用的启发，另一些则基于随机模式。除了这些量子模型外，他们还包含了熟悉的经典工具，如决策树和支持向量机。目标是观察混合这些截然不同的模型是否会创造出一个比任何单一模型都更强大的预测器。
为了决定组合哪些模型，研究人员并不仅仅挑选得分最高的模型。相反，他们寻找在排名数据方面彼此不同的模型。他们使用了一种称为“认知多样性”（cognitive cognitive diversity）的度量标准，该标准计算两个模型在预测顺序上的分歧程度。如果两个模型总是达成一致，那么它们就是冗余的；如果它们以一种结构化的方式产生分歧，那么它们就是多样化的。团队识别出了最具多样性的模型对，并从中选出了五个既能提供高表现又能提供高多样性的模型组成的小组。这一筛选过程确保了最终的团队不仅是顶尖个体表现者的集合，更是一个能够互补彼此弱点的模型组合。
一旦选定了团队，研究人员就使用两种主要方法来结合它们的预测。第一种方法是取每个模型给出的原始分数的平均值，第二种方法是取它们排名的平均值。他们测试了多种加权组合的方式，有时给予更多多样性模型的权重，有时则优先考虑表现最好的模型。他们在四个不同的现实世界数据集上测试了这个系统，范围涵盖用于诊断心脏病和糖尿病的医疗记录、雷达信号以及垃圾邮件过滤器。在每一个案例中，组合模型的效果都优于池中的任何单一最佳模型。
改进是非常显著的。在预测心脏病的数据集上，组合模型的准确率比表现最好的单一模型提高了 3.38%。对于糖尿病数据集，增幅更大，达到了 6.03%。在电离层雷达数据的情况下，组合系统的准确率达到了 98.11%，相比于表现最好的单一模型所实现的 94.34% 有了显著提升。甚至在垃圾邮件检测任务中，尽管模型已经非常出色，融合方法仍然成功地榨取了额外的 0.58% 的提升。即使在研究人员将该方法与其他使用集成或混合量子-经典方法的近期研究进行对比时，这些结果依然成立。他们的这种方法在所有四个数据集中始终产生了最高的分数。
研究还揭示，最成功的团队几乎总是量子模型与经典模型的混合。在某些情况下，最佳组合包括一个以树状结构著称的特定量子电路，以及一个经典的提升算法（boosting algorithm）。在其他情况下，受优化算法启发的量子电路与神经网络搭配效果最好。这表明，量子模型和经典模型以根本不同的方式看待世界，而它们的差异正是它们结合在一起时如此强大的原因。这项研究证明，通往更好的量子机器学习之路可能不在于寻找单一完美的电路设计，而在于学习如何有效地利用许多不同设计的多样化优势共同协作。通过将寻找最佳模型的过程视为寻找最佳团队的过程，研究人员展示了开启量子计算潜力的新途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。