論文の概要: The Holy Grail of Quantum Artificial Intelligence: Major Challenges in
Accelerating the Machine Learning Pipeline
- arxiv url: http://arxiv.org/abs/2004.14035v1
- Date: Wed, 29 Apr 2020 09:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 14:18:54.963260
- Title: The Holy Grail of Quantum Artificial Intelligence: Major Challenges in
Accelerating the Machine Learning Pipeline
- Title（参考訳）: 量子人工知能の聖杯: 機械学習パイプラインの加速における大きな課題
- Authors: Thomas Gabor (1), Leo S\"unkel (1), Fabian Ritz (1), Thomy Phan (1),
Lenz Belzner (2), Christoph Roch (1), Sebastian Feld (1), Claudia
Linnhoff-Popien (1) ((1) LMU Munich, (2) MaibornWolff)
- Abstract要約: 量子コンピューティングと人工知能の相乗関係について論じる。
量子人工知能への現在のアプローチを調査した後、量子人工知能の将来に対する4つの大きな課題を導出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We discuss the synergetic connection between quantum computing and artificial
intelligence. After surveying current approaches to quantum artificial
intelligence and relating them to a formal model for machine learning
processes, we deduce four major challenges for the future of quantum artificial
intelligence: (i) Replace iterative training with faster quantum algorithms,
(ii) distill the experience of larger amounts of data into the training
process, (iii) allow quantum and classical components to be easily combined and
exchanged, and (iv) build tools to thoroughly analyze whether observed benefits
really stem from quantum properties of the algorithm.
- Abstract（参考訳）: 量子コンピューティングと人工知能の相乗関係について論じる。
量子人工知能への現在のアプローチを調査し、それらを機械学習プロセスの正式なモデルに関連づけた後、量子人工知能の未来に対する4つの大きな課題を導き出す。
(i)高速な量子アルゴリズムで反復訓練を置き換える。
(ii) トレーニングプロセスに大量のデータの経験を蒸留すること。
(iii)量子部品と古典部品の結合・交換を容易に行うこと、及び
(4) 観測された利点がアルゴリズムの量子的性質に由来するかどうかを徹底的に分析するツールを構築する。
関連論文リスト
- Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。
本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
論文 参考訳（メタデータ） (2024-11-14T12:27:50Z) - QCircuitNet: A Large-Scale Hierarchical Dataset for Quantum Algorithm Design [17.747641494506087]
量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された、最初のベンチマークおよびテストデータセットであるQCircuitNetを紹介する。
従来のコードの記述にAIを使用するのとは異なり、このタスクは基本的に異なり、非常に柔軟な設計空間と複雑なキュービット操作のため、さらに複雑である。
論文 参考訳（メタデータ） (2024-10-10T14:24:30Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Quantum Artificial Intelligence: A Brief Survey [0.3495246564946556]
量子人工知能(QAI)は、量子コンピューティングとAIの交差点である。
これまでにQAIで達成されたことを概観するとともに、今後の研究に向けたオープンな質問をいくつか紹介する。
論文 参考訳（メタデータ） (2024-08-20T10:55:17Z) - Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳（メタデータ） (2024-07-02T18:00:00Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Reinforcement Learning with Quantum Variational Circuits [0.0]
この研究は、強化学習問題を促進する量子コンピューティングの可能性を探るものである。
具体的には、量子機械学習の一形態である量子変分回路の使用について検討する。
その結果、ハイブリッドおよび純粋量子変動回路は、より小さいパラメータ空間で強化学習タスクを解くことができることを示した。
論文 参考訳（メタデータ） (2020-08-15T00:13:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。