論文の概要: Quantum Neural Networks: Concepts, Applications, and Challenges
- arxiv url: http://arxiv.org/abs/2108.01468v1
- Date: Mon, 2 Aug 2021 04:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-05 00:07:29.644163
- Title: Quantum Neural Networks: Concepts, Applications, and Challenges
- Title(参考訳): 量子ニューラルネットワーク:概念,応用,課題
- Authors: Yunseok Kwak, Won Joon Yun, Soyi Jung, Joongheon Kim
- Abstract要約: 量子ディープラーニングは、ディープニューラルネットワークのトレーニングに量子コンピューティング技術を使用する研究分野である。
本稿では,量子深層学習の背景と基本原理を説明し,その成果を紹介する。
- 参考スコア(独自算出の注目度): 11.370663646213606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum deep learning is a research field for the use of quantum computing
techniques for training deep neural networks. The research topics and
directions of deep learning and quantum computing have been separated for long
time, however by discovering that quantum circuits can act like artificial
neural networks, quantum deep learning research is widely adopted. This paper
explains the backgrounds and basic principles of quantum deep learning and also
introduces major achievements. After that, this paper discusses the challenges
of quantum deep learning research in multiple perspectives. Lastly, this paper
presents various future research directions and application fields of quantum
deep learning.
- Abstract(参考訳): 量子ディープラーニングは、ディープニューラルネットワークのトレーニングに量子コンピューティング技術を使用する研究分野である。
ディープラーニングと量子コンピューティングの研究トピックと方向性は長い間分離されてきたが、量子回路が人工ニューラルネットワークのように振る舞うことを発見し、量子ディープラーニングの研究が広く採用されている。
本稿では,量子深層学習の背景と基本原理を説明し,その成果を紹介する。
その後、複数の観点から量子ディープラーニング研究の課題について論じる。
最後に,量子深層学習の今後の研究の方向性と応用分野について述べる。
関連論文リスト
- Towards Federated Learning on the Quantum Internet [2.869565958847859]
量子インターネットは、分散や盲目的の量子コンピューティングのような多くのアプリケーションを可能にする。
我々は、量子インターネット、すなわち量子フェデレーション学習の潜在的な応用について評価する。
論文 参考訳(メタデータ) (2024-02-15T11:58:42Z) - Complex Quantum Networks: a Topical Review [0.9217021281095907]
複雑量子ネットワークの進展分野の概観
重要なネットワーク特性を推測する新しい世代の量子アルゴリズム。
主な研究線は、ネットワーク一般化、量子応用、量子一般化、量子強化である。
論文 参考訳(メタデータ) (2023-11-27T19:13:19Z) - Entanglement-Assisted Quantum Networks: Mechanics, Enabling
Technologies, Challenges, and Research Directions [66.27337498864556]
本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。
ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。
また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
論文 参考訳(メタデータ) (2023-07-24T02:48:22Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - 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) - 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) - Introduction to Quantum Reinforcement Learning: Theory and
PennyLane-based Implementation [10.40861455010028]
本稿では,変分量子回路を用いた量子強化学習の概念を紹介する。
本研究で得られた実験結果から量子強化学習のパワーと可能性について論じる。
論文 参考訳(メタデータ) (2021-08-16T01:05:49Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - Advances in Quantum Deep Learning: An Overview [9.188318506016898]
量子ニューラルネットワーク(QNN)と、量子畳み込みネットワーク(QCNN)のような他の変種をモデル化するために提案された異なるスキームについてレビューする。
量子インスパイアされた古典的ディープラーニングアルゴリズムの最近の進歩とその自然言語処理への応用について簡単に説明する。
論文 参考訳(メタデータ) (2020-05-08T23:36:50Z) - An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。
量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文 参考訳(メタデータ) (2020-05-06T14:18:44Z)
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。