論文の概要: Quantum Machine Learning: Fad or Future?
- arxiv url: http://arxiv.org/abs/2106.10714v1
- Date: Sun, 20 Jun 2021 15:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 09:18:47.777164
- Title: Quantum Machine Learning: Fad or Future?
- Title（参考訳）: 量子機械学習:fadか未来か?
- Authors: Arhum Ishtiaq, Sara Mahmood
- Abstract要約: 私たちは、古典的なコンピューティングデバイスによって、利用可能な最大計算能力のしきい値に素早く近づきます。
これは、今や数十億と数兆のパラメータを持つモデルサイズが指数関数的に増加するためである。
本稿では、量子機械学習が古典的な機械学習アプローチよりも優れているという側面を検証し、検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For the last few decades, classical machine learning has allowed us to
improve the lives of many through automation, natural language processing,
predictive analytics and much more. However, a major concern is the fact that
we're fast approach the threshold of the maximum possible computational
capacity available to us by the means of classical computing devices including
CPUs, GPUs and Application Specific Integrated Circuits (ASICs). This is due to
the exponential increase in model sizes which now have parameters in the
magnitude of billions and trillions, requiring a significant amount of
computing resources across a significant amount of time, just to converge one
single model. To observe the efficacy of using quantum computing for certain
machine learning tasks and explore the improved potential of convergence, error
reduction and robustness to noisy data, this paper will look forth to test and
verify the aspects in which quantum machine learning can help improve over
classical machine learning approaches while also shedding light on the likely
limitations that have prevented quantum approaches to become the mainstream. A
major focus will be to recreate the work by Farhi et al and conduct experiments
using their theory of performing machine learning in a quantum context, with
assistance from the Tensorflow Quantum documentation.
- Abstract（参考訳）: 過去数十年間、古典的な機械学習は、自動化、自然言語処理、予測分析などを通じて多くの人の生活を改善してきました。
しかし、大きな懸念は、CPU、GPU、アプリケーション固有集積回路(ASIC)を含む古典的なコンピューティングデバイスによって、私たちが利用可能な最大計算容量のしきい値に迅速にアプローチしているという事実である。
これは、今や数十億と数兆のパラメータを持つモデルサイズが指数関数的に増加し、1つのモデルを収束させるのに、かなりの時間をかけて大量のコンピューティングリソースを必要とするためである。
量子コンピューティングを特定の機械学習タスクに使用することの有効性を観察し、ノイズデータに対する収束、エラー低減、堅牢性の向上の可能性を検討するため、量子機械学習が従来の機械学習アプローチよりも改善する上で役立つ側面を検証し検証するとともに、量子アプローチが主流になるのを妨げる可能性のある制限についても考察する。
主な焦点は、farhiらによる研究を再現し、tensorflow量子ドキュメントの助けを借りて、量子コンテキストで機械学習を実行するという彼らの理論を使って実験を行うことだ。
関連論文リスト
- Digital-Analog Quantum Machine Learning [0.0]
機械学習アルゴリズムは、ますます多くのシステム、アプリケーション、技術、製品で広く使われている。
データの量の増加は 古典的な装置に困難をもたらします
量子システムは、特定のコンテキストにおける機械学習計算のスケールアップを可能にする方法を提供するかもしれない。
論文 参考訳（メタデータ） (2024-11-16T08:54:52Z) - 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) - 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-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。
従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
論文 参考訳（メタデータ） (2023-11-17T07:33:42Z) - Machine Learning for Practical Quantum Error Mitigation [0.0]
量子エラー軽減のための機械学習は、そのコストを大幅に削減することを示す。
本稿では,ML-QEMを用いて従来の緩和手法を模倣し,より優れた実行効率で拡張性を実現する方法を提案する。
論文 参考訳（メタデータ） (2023-09-29T16:17:12Z) - 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) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳（メタデータ） (2020-11-03T19:00:01Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳（メタデータ） (2020-01-15T18:36:53Z)
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。