論文の概要: Is quantum advantage the right goal for quantum machine learning?

• arxiv url: http://arxiv.org/abs/2203.01340v2
• Date: Wed, 8 Feb 2023 09:57:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 07:41:12.247517
• Title: Is quantum advantage the right goal for quantum machine learning?
• Title（参考訳）: 量子優位性は量子機械学習の正しい目標か?
• Authors: Maria Schuld, Nathan Killoran
• Abstract要約: 私たちは、現在使用しているツールを使って、機械学習のための量子コンピュータの実用力について何かを言うのは難しい、と論じています。 これらの課題は、量子的優位性と古典的機械学習の物語が文学を支配し続けるべきかどうかについての批判的な議論を呼び起こすものである、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is frequently listed among the most promising applications for quantum computing. This is in fact a curious choice: Today's machine learning algorithms are notoriously powerful in practice, but remain theoretically difficult to study. Quantum computing, in contrast, does not offer practical benchmarks on realistic scales, and theory is the main tool we have to judge whether it could become relevant for a problem. In this perspective we explain why it is so difficult to say something about the practical power of quantum computers for machine learning with the tools we are currently using. We argue that these challenges call for a critical debate on whether quantum advantage and the narrative of 'beating' classical machine learning should continue to dominate the literature the way it does, and highlight examples for how other perspectives in existing research provide an important alternative to the focus on advantage.
• Abstract（参考訳）: 機械学習は、量子コンピューティングで最も有望なアプリケーションとしてしばしば挙げられる。 今日の機械学習アルゴリズムは実際には強力だが、理論的には研究が難しい。 それとは対照的に、量子コンピューティングは現実的なスケールの実用的なベンチマークを提供しておらず、理論は問題に関係があるかどうかを判断するための主要なツールである。 この観点からは、我々が現在使っているツールを使って、機械学習のための量子コンピュータの実用的能力について何か言いづらい理由を説明します。 これらの課題は、量子アドバンテージと古典的な機械学習の物語が、そのように文学を支配し続けるべきかどうかに関する批判的な議論を呼び起こし、既存の研究における他の視点が、優位性に焦点をあてる重要な代替手段となる例を強調している。

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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• The Quantum Tortoise and the Classical Hare: A simple framework for understanding which problems quantum computing will accelerate (and which it will not) [1.3812010983144802]
  量子コンピューティングは、いくつかの問題を解決するために変革的な利益を約束します。 我々の分析によると、多くの問題、特に、一般的なビジネスにとって重要な小規模から中規模の問題では、量子コンピューティングの恩恵を受けない。 非常に大きなアルゴリズムによるゲインは、実際は稀であり、原理上も稀であると理論化されているため、我々の分析は、量子コンピューティングの利点がこれらの稀なケースのユーザや、非常に大きなデータを処理する実践者へ流れることを示唆している。
  論文  参考訳（メタデータ） (2023-10-24T04:20:10Z)
• Reliable AI: Does the Next Generation Require Quantum Computing? [71.84486326350338]
  デジタルハードウェアは、最適化、ディープラーニング、微分方程式に関する問題の解決に本質的に制約されていることを示す。 対照的に、Blum-Shub-Smale マシンのようなアナログコンピューティングモデルは、これらの制限を克服する可能性を示している。
  論文  参考訳（メタデータ） (2023-07-03T19:10:45Z)
• Relation between quantum advantage in supervised learning and quantum computational advantage [0.0]
  最近の研究は、計算と学習の優位性は一般に等価ではないことを示している。 トレーニングセットを生成するための効率的なアルゴリズムの存在が、そのような条件の基盤として現れている。 その結果、素因数分解問題に基づく学習タスクの量子スピードアップが存在することを証明した。
  論文  参考訳（メタデータ） (2023-04-13T17:34:53Z)
• 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)
• Systematic Literature Review: Quantum Machine Learning and its applications [0.0]
  この写本は、2017年から2023年にかけて発行された論文の体系的文献レビューを提示することを目的としている。 本研究では、量子機械学習技術とアルゴリズムを使用した94の論文を特定した。 既存の量子コンピュータには、量子コンピューティングがその完全な潜在能力を達成するのに十分な品質、速度、スケールが欠けているため、量子ハードウェアの改善が必要である。
  論文  参考訳（メタデータ） (2022-01-11T17:36:34Z)
• Quantum Machine Learning: Fad or Future? [0.0]
  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。
  論文  参考訳（メタデータ） (2021-06-20T15:39:36Z)
• 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。