Sounding qubits : composer classification using hybrid classical-quantum systems

Abstract

Das rasante Wachstum des maschinellen Lernens und der zu verarbeitenden Datenmengen hat den Bedarf an Rechenressourcen stark erhöht - zu einer Zeit, in der die Entwicklung klassischer Hardware an physikalische Grenzen stößt. Das Quantencomputing, mit seinem Potenzial für neue Formen der Parallelisierung und algorithmischen Beschleunigung, hat sich daher zu einem vielversprechenden Kandidaten entwickelt, um klassische Methoden zu ergänzen. In diesem Kontext zielt das Quantenmaschinelle Lernen darauf ab, Quanteneffekte zu nutzen, um die Ausdruckskraft und Effizienz von Modellen zu steigern.Die vorliegende Arbeit beschäftigt sich mit der Komponistenklassifikation auf Basis symbolischer Musikdaten von Live-Aufführungen und untersucht, wie Ansätze des hybriden Quantencomputings darauf angewendet werden können. Wir vergleichen strukturell unterschiedliche Methoden zur Merkmalsextraktion aus symbolischen Musikdaten, darunter an die natürliche Sprachverarbeitung angelehnte Verfahren, Graph-Einbettungen sowie musiktheoretisch fundierte statistische Verfahren, zunächst im Bereich des klassischen maschinellen Lernens. Während sich die Graph-Einbettung für unser Live-Aufführungsdaten als ungeeignet erweist, liefern die beiden anderen Ansätze starke klassische Referenzmodelle, und es gelingt uns, ein nicht reproduzierbares Verfahren aus der Literatur zu verbessern und damit konkurrenzfähige Ergebnisse zu erzielen.Auf dieser Grundlage evaluieren wir systematisch zwei Klassen von Quantenklassifikatoren - variationale Quantenschaltkreise und Quanten-Support-Vector-Machines - unter Verwendung einer simulierten Quantenrechenumgebung. Wir analysieren ihre Leistung im Verhältnis zu den klassischen Referenzmodellen sowie ihre Empfindlichkeit gegenüber verschiedenen Parametereinstellungen.Unsere Quantenmodelle können klassische Verfahren derezeit nicht übertreffen. Sie weisen jedoch charakteristische Muster von Unteranpassung und Überanpassung aufweisen, die wertvolle Hinweise für die Gestaltung zukünftiger hybrider Systeme liefern können. Zudem beobachten wir deutliche Leistungsunterschiede in Abhängigkeit von der Methode der klassischen Merkmalsextraktion.Wir legen eine Fallstudie vor, die Komponistenklassifikation in einem hybriden klassisch–quantischen Setup implementiert. Unsere Ergebnisse leisten einen Beitrag zum Verständnis des Verhaltens, der Grenzen und des Potenzials quantenmaschineller Lernmodelle im Bereich der Informationsextraktion aus Musikdaten.

The rapid growth of machine learning and the amounts of data to be processed has created increasing demands for computational resources, at a time when the development of classical hardware is reaching physical limits. Quantum computing, with its potential for new forms of parallelism and speed-ups, has therefore become a promising candidate for complementing classical methods. Within this context, quantum machine learning aims to leverage quantum effects to enhance model expressiveness and efficiency.We address the task of composer classification of symbolic music data from human performance and investigate how hybrid classical-quantum approaches can be applied to it. We compare structurally diverse feature extraction pipelines from symbolic music, including natural language processing-inspired methods, graph embeddings, and symbolic high-level features in the realm of classical machine learning. While the graph embedding proves unsuitable for our live performance dataset, the two others deliver strong classical baselines, and we are able to improve upon a proposed but irreproducible approach to achieve competitive results.On this foundation, we systematically evaluate two families of quantum classifiers - variational quantum circuits and quantum support vector machines - using a simulated quantum computing environment. We analyze their performance in relation to the classical baselines, as well as their sensitivity to various parameter choices.Our quantum models currently cannot outperform classical approaches. Though, they exhibit distinct patterns of underfitting and overfitting, that can provide insights for the design of future hybrid systems, and we observe significant differences in performance related to the methods of classical feature extraction.We contribute a case study implementing a composer classification pipeline in a hybrid classical-quantum setup. Our findings contribute to understanding the behavior, limitations, and potential of quantum machine learning models in music information retrieval.