Краткое содержание

arXiv:2511.10831v1 Тип объявления: новый Аннотация: Методы квантовых ядер представляют собой перспективное направление в области квантового машинного обучения, однако их практическое преимущество на разнородных, многомерных реальных наборах данных пока не подтверждено. Современные исследования ограничивались преимущественно низкоресурсными или синтетическими наборами данных, что препятствовало всесторонней оценке их потенциала. Для устранения данного пробела мы разработали вариационную квантовоядерную архитектуру, использующую ресурсоэффективные анзацы для сложных классификационных задач, и предложили метод масштабирования параметров для ускорения сходимости. Мы провели комплексное тестирование этой архитектуры на восьми трудных, реальных и высокоресурсных наборах данных, охватывающих табличные данные, изображения, временные ряды и графовые структуры. Результаты нашего классического моделирования показывают, что предложенное квантовое ядро продемонстрировало явное превосходство над стандартными классическими ядрами, такими как радиально-базисная функция (RBF). Настоящая работа демонстрирует, что правильно спроектированные квантовые ядра