Аннотация
Архитектуры систем HQML основываются на интеграции квантового кодирования признаков с классическими методами оптимизации, что позволяет использовать их в рамках ограничений устройств NISQ. В данной ста-тье мы представляем систематический обзор литературы по HQML за период с 2018 по 2026 год, включая знаковые работы, опубликованные с 2014 года. В со-ответствии с подходом, основанным на рекомендациях PRISMA, было проанали-зировано 1 247 статей, в результате чего для всесторонней оценки было отобрано 40 ключевых работ. Мы сосредоточиваемся на VQA, QNN и PQC, используе-мых для задач классификации и оптимизации в сфере здравоохранения и финан-сов. Рассматриваются несколько нерешенных технических проблем, таких как проблема «бесплодного плато» и нагрузка, связанная с кодированием данных. Результаты показывают, что гибридные подходы демонстрируют стабильные преимущества в условиях недостатка данных и дисбаланса классов: повыше-ние точности на 0,3–2,5 % на небольших медицинских наборах данных и столь же эффективную, но экономную с точки зрения данных производительность по сравнению с XGBoost при обнаружении финансового мошенничества. В нашем исследовании выделено пять ключевых областей, требующих дальнейших ис-следований, причем наиболее значимыми из них являются отсутствие стандарт-ных тестов и анализ кривой обучения