标题： 使用遗传算法优化量子嵌入用于QML应用 显示英文标题

标题： Optimizing Quantum Embedding using Genetic Algorithm for QML Applications

摘要： 量子嵌入（QE）对于将经典数据加载到量子系统中进行量子机器学习（QML）是至关重要的。 QML算法的性能取决于QE的类型以及特征如何映射到量子比特。 传统上，通过优化找到最佳嵌入，但我们建议将其视为一个搜索问题。 在本工作中，我们使用遗传算法（GA）来搜索最佳的特征到量子比特的映射。 在MNIST和Tiny ImageNet数据集上的实验表明，GA优于随机特征到量子比特的映射，在MNIST上获得0.33-3.33的更高适应度分数，在Tiny ImageNet上获得0.5-3.36的更高适应度分数，MNIST的运行时间减少最多15%，Tiny ImageNet的运行时间减少最多8.8%。 GA方法在数据集大小和量子比特数量方面都具有可扩展性。 与现有的方法如量子嵌入核（QEK）、基于QAOA的嵌入和QRAC相比，GA分别显示出1.003倍、1.03倍和1.06倍的改进。 显示英文摘要

摘要： Quantum Embeddings (QE) are essential for loading classical data into quantum systems for Quantum Machine Learning (QML). The performance of QML algorithms depends on the type of QE and how features are mapped to qubits. Traditionally, the optimal embedding is found through optimization, but we propose framing it as a search problem instead. In this work, we use a Genetic Algorithm (GA) to search for the best feature-to-qubit mapping. Experiments on the MNIST and Tiny ImageNet datasets show that GA outperforms random feature-to-qubit mappings, achieving 0.33-3.33 (MNIST) and 0.5-3.36 (Tiny ImageNet) higher fitness scores, with up to 15% (MNIST) and 8.8% (Tiny ImageNet) reduced runtime. The GA approach is scalable with both dataset size and qubit count. Compared to existing methods like Quantum Embedding Kernel (QEK), QAOA-based embedding, and QRAC, GA shows improvements of 1.003X, 1.03X, and 1.06X, respectively.