Comparative study of quantum and classical machine learning methods on different reference databases

Abstract

[Abstract]: This TFG explores the performance of quantum computing applied to machine learning in comparison to their classical counterparts. We evaluate two well-known QML models, Quan- tum Support Vector Classifier (QSVC) and Variational Quantum Classifier (VQC), on two clas- sification problems: the Iris dataset and MNIST-PCA. Additionally, we analyze the impact of hyperparameter tuning, showing that feature maps and ansatz configurations significantly influence model accuracy. We find that, for the simpler Iris dataset, classical models tend to outperform the quantum ones, QSVCs clearly being the best quantum option. While this is true for simpler datasets we see that, for more complex ones like MNIST-PCA, quantum models gain an advantage over their classical counterparts. VQCs take the lead due to their higher quantum load. We also compare the PennyLane and Qiskit frameworks, concluding that Qiskit provides better optimization and efficiency for our work. This suggests that quan- tum models may surpass classical ones in some complex problems. Additionally, if perfect quantum computers are created, QML could become highly competitive in other tasks where they don’t get better results, due to its theoretical exponential speedup over classical models.

[Resumo]: Este TFG explora o rendemento da computación cuántica aplicada á aprendizaxe automá- tica en comparación cos seus homólogos clásicos. Avaliamos dous modelos QML coñecidos, Quantum Support Vector Classifier (QSVC) e Variational Quantum Classifier (VQC), en dous problemas de clasificación: o datset Iris e o MNIST-PCA. Ademais, analizamos o impacto da axuste de hiperparámetros, mostrando que os feature maps e os ansatz inflúen significativa- mente na precisión do modelo. Descubrimos que, para o conxunto de datos Iris, os modelos clásicos tenden a superar os cuánticos, sendo claramente QSVCs a mellor opción cuántica. Aínda que isto é certo para conxuntos de datos máis sinxelos, vemos que, para os máis com- plexos como MNIST-PCA, os modelos cuánticos obteñen vantaxe sobre os seus homólogos clásicos, os VQC toman o liderado debido á súa maior carga cuántica. Tamén comparamos os frameworks PennyLane e Qiskit, chegando á conclusión de que Qiskit ofrece unha mellor optimización e eficiencia para o noso traballo. Isto suxire que os modelos cuánticos pode- rían superar aos clásicos nalgúns problemas complexos. Ademais, se se crean ordenadores cuánticos perfectos, QML podería chegar a ser competitivo noutras tarefas onde non obteñan mellores resultados, debido á súa aceleración exponencial teórica sobre os modelos clásicos.