用于可伸缩量子机器学习的嵌入感知量子经典支持向量机

量子支持向量机由于高维量子态和硬件限制而面临可伸缩性挑战。我们提出了一种嵌入感知型量子-经典管道，它将类平衡K均值蒸馏与预训练的视觉转换器嵌入相结合。我们的关键发现是：ViT嵌入独特地实现了量子优势，在Fashion-MNIST上比经典SVMs的准确率提高了8.02%，在MNIST上提高了4.42%，而CNN特征则表现出性能下降。通过cuTensorNet进行16量子比特张量网络模拟，我们首次提供了系统性证据，表明量子核优势关键取决于嵌入选择，揭示了转换器注意力与量子特征空间之间的基本协同作用。这为利用现代神经网络架构实现可伸缩量子机器学习提供了一条实用的途径。