論文の概要: Classification with Quantum Machine Learning: A Survey
- arxiv url: http://arxiv.org/abs/2006.12270v1
- Date: Mon, 22 Jun 2020 14:05:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 06:49:23.114174
- Title: Classification with Quantum Machine Learning: A Survey
- Title(参考訳): 量子機械学習を用いた分類:サーベイ
- Authors: Zainab Abohashima, Mohamed Elhosen, Essam H. Houssein and Waleed M.
Mohamed
- Abstract要約: 我々は古典的機械学習(ML)と量子情報処理(QIP)を組み合わせることで、量子世界における量子機械学習(QML)と呼ばれる新しい分野を構築する。
本稿では,量子機械学習(QML)の最先端技術に関する包括的調査を提示し,要約する。
- 参考スコア(独自算出の注目度): 17.55390082094971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the superiority and noteworthy progress of Quantum Computing (QC) in a
lot of applications such as cryptography, chemistry, Big data, machine
learning, optimization, Internet of Things (IoT), Blockchain, communication,
and many more. Fully towards to combine classical machine learning (ML) with
Quantum Information Processing (QIP) to build a new field in the quantum world
is called Quantum Machine Learning (QML) to solve and improve problems that
displayed in classical machine learning (e.g. time and energy consumption,
kernel estimation). The aim of this paper presents and summarizes a
comprehensive survey of the state-of-the-art advances in Quantum Machine
Learning (QML). Especially, recent QML classification works. Also, we cover
about 30 publications that are published lately in Quantum Machine Learning
(QML). we propose a classification scheme in the quantum world and discuss
encoding methods for mapping classical data to quantum data. Then, we provide
quantum subroutines and some methods of Quantum Computing (QC) in improving
performance and speed up of classical Machine Learning (ML). And also some of
QML applications in various fields, challenges, and future vision will be
presented.
- Abstract(参考訳): 暗号、化学、ビッグデータ、機械学習、最適化、IoT(Internet of Things)、ブロックチェーン、通信など、多くのアプリケーションにおいて、量子コンピューティング(QC)の優位性と注目すべき進歩のためである。
古典的機械学習(ml)と量子情報処理(qip)を組み合わせることで、量子世界における新しい分野を構築することを、量子機械学習(qml)と呼ぶ。
本研究の目的は、量子機械学習(QML)の最先端技術に関する包括的調査を提示し、まとめることである。
特に最近のqml分類は機能する。
また、最近Quantum Machine Learning (QML)で発行されている約30の論文についても取り上げる。
量子世界における分類手法を提案し,古典的データを量子データにマッピングするための符号化手法について議論する。
次に,従来の機械学習(ML)の性能向上と高速化のために,量子サブルーチンと量子コンピューティング(QC)のいくつかの方法を提案する。
また、様々な分野、課題、将来のビジョンにおけるQMLアプリケーションについても紹介します。
関連論文リスト
- A Survey on Quantum Machine Learning: Current Trends, Challenges,
Opportunities, and the Road Ahead [6.14975265413396]
量子コンピューティング(QC)は、古典的な計算に比べて複雑な問題を解く効率を改善すると主張している。
QCは機械学習(ML)アプリケーションに適用され、量子機械学習(QML)システムを形成する。
我々は、異なるQMLアルゴリズムとそのドメイン適用性、量子データセット、ハードウェア技術、ソフトウェアツール、シミュレータ、アプリケーションについて議論する。
論文 参考訳(メタデータ) (2023-10-16T11:52:54Z) - The QUATRO Application Suite: Quantum Computing for Models of Human
Cognition [49.038807589598285]
量子コンピューティング研究のための新しい種類のアプリケーション -- 計算認知モデリング -- をアンロックします。
我々は、認知モデルから量子コンピューティングアプリケーションのコレクションであるQUATROをリリースする。
論文 参考訳(メタデータ) (2023-09-01T17:34:53Z) - Challenges and Opportunities in Quantum Machine Learning [2.5671549335906367]
量子機械学習(QML)は、特に量子データに対して、データ分析を加速する可能性がある。
ここでは、QMLの現在の方法と応用について概観する。
量子ニューラルネットワークと量子ディープラーニングに焦点をあてて、量子と古典的な機械学習の違いを強調します。
論文 参考訳(メタデータ) (2023-03-16T17:10:39Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - 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) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Quantum Machine Learning for Software Supply Chain Attacks: How Far Can
We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。
実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。
興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文 参考訳(メタデータ) (2022-04-04T21:16:06Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z)
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。