Hybrid-Quantum-Regression: Vorverarbeitung und Curriculum verbessern Leistung

Ein neues hybrides Quantum‑Classical‑Regressionsmodell wurde vorgestellt, das die bisherige Schwäche von Quantum Neural Networks (QNNs) – die eingeschränkte Trainierbarkeit bei verrauschten Gradienten und schlecht konditionierten Optimierungen – gezielt adressiert. Durch die Einbindung einer leichten klassischen Einbettung als lernbaren geometrischen Präconditioner wird die Eingabedarstellung neu geformt, sodass ein nachfolgendes variationales Quanten‑Circuit besser konditioniert ist.

Das Konzept wird ergänzt durch ein Curriculum‑Optimierungsprotokoll, das die Tiefe des Quanten‑Circuits schrittweise erhöht und den Lernprozess von einer SPSA‑basierten stochastischen Exploration zu einer Adam‑basierten Gradienten‑Feinabstimmung übergeht. Auf PDE‑informierten Regressionsbenchmarks sowie Standard‑Datensätzen wurde das Verfahren unter festem Trainingsbudget in einer Simulationsumgebung getestet.

Die Ergebnisse zeigen, dass das hybride Modell gegenüber reinen QNN‑Baselines konsequent bessere Leistungen erzielt und insbesondere in datenlimitierten Szenarien eine stabilere Konvergenz aufweist. Zudem reduzieren sich strukturelle Fehler, die mit oszillierenden Komponenten korrelieren, was auf die Wirksamkeit der geometrischen Vorverarbeitung in Kombination mit dem Curriculum‑Training hinweist.

Diese Arbeit liefert damit einen praktikablen Ansatz zur Stabilisierung von Quantum Regression und eröffnet neue Perspektiven für die Anwendung von Quantenalgorithmen in wissenschaftlichen Machine‑Learning‑Aufgaben.