論文の概要: Quantum Machine Learning: from physics to software engineering
- arxiv url: http://arxiv.org/abs/2301.01851v1
- Date: Wed, 4 Jan 2023 23:37:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 22:08:04.289073
- Title: Quantum Machine Learning: from physics to software engineering
- Title（参考訳）: 量子機械学習:物理からソフトウェア工学へ
- Authors: Alexey Melnikov, Mohammad Kordzanganeh, Alexander Alodjants, and
Ray-Kuang Lee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 58.720142291102135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning (QML) is a new, rapidly growing, and fascinating
area of research where quantum information science and quantum technologies
meet novel machine learning and artificial intelligent facilities. A
comprehensive analysis of the main directions of current QML methods and
approaches is performed in this review. The aim of our work is twofold. First,
we show how classical machine learning approach can help improve the facilities
of quantum computers and simulators available today. It is most important due
to the modern noisy intermediate-scale quantum (NISQ) era of quantum
technologies. In particular, the classical machine learning approach allows
optimizing quantum hardware for achieving desired quantum states by
implementing quantum devices. Second, we discuss how quantum algorithms and
quantum computers may be useful for solving keystone classical machine learning
tasks. Currently, quantum-inspired algorithms, which use a quantum approach to
classical information processing, represent a powerful tool in software
engineering for improving classical computation capacities. In this work, we
discuss various quantum neural network capabilities that can be implemented in
quantum-classical training algorithms for variational circuits. It is expected
that quantum computers will be involved in routine machine learning procedures.
In this sense, we are showing how it is essential to elucidate the speedup
problem for random walks on arbitrary graphs, which are used in both classical
and quantum algorithms. Quantum technologies enhanced by machine learning in
fundamental and applied quantum physics, as well as quantum tomography and
photonic quantum computing, are also covered.
- Abstract（参考訳）: 量子機械学習(Quantum Machine Learning、QML)は、量子情報科学と量子技術が新しい機械学習と人工知能の施設に適合する新しい、急速に成長し、魅力的な研究分野である。
本稿では,現在のQML手法とアプローチの主な方向性を総合的に分析する。
私たちの仕事は2つある。
まず、古典的な機械学習アプローチが、現在利用可能な量子コンピュータやシミュレータの設備をいかに改善できるかを示す。
現代のノイズの多い中間スケール量子(NISQ)時代の量子技術のために最も重要である。
特に、古典的な機械学習アプローチでは、量子デバイスを実装することで、望ましい量子状態を達成するために量子ハードウェアを最適化することができる。
第2に,量子アルゴリズムと量子コンピュータがキーストーン古典的機械学習課題の解法にどのように役立つかについて議論する。
現在、古典的な情報処理に量子アプローチを用いる量子インスパイアされたアルゴリズムは、古典的な計算能力を改善するためのソフトウェア工学において強力なツールである。
本稿では,変分回路の量子古典的学習アルゴリズムに実装可能な,様々な量子ニューラルネットワーク機能について論じる。
量子コンピュータが日常的な機械学習手順に関与することが期待される。
この意味では、古典的および量子的アルゴリズムの両方で使用される任意のグラフ上のランダムウォークの高速化問題を解明することが重要であることを示す。
基本および応用量子物理学における機械学習によって強化された量子技術、および量子トモグラフィーとフォトニック量子コンピューティングについても紹介する。
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) - 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) - 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) - Qsun: an open-source platform towards practical quantum machine learning
applications [0.0]
本稿では、量子状態波動関数によって演算を下線化している量子仮想マシンQsunを紹介する。
次に、量子機械学習の代表である量子線形回帰と量子ニューラルネットワークの2つのテストについて報告する。
論文 参考訳（メタデータ） (2021-07-22T09:37:31Z) - 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) - Quantum walk processes in quantum devices [55.41644538483948]
グラフ上の量子ウォークを量子回路として表現する方法を研究する。
提案手法は,量子ウォークアルゴリズムを量子コンピュータ上で効率的に実装する方法である。
論文 参考訳（メタデータ） (2020-12-28T18:04:16Z) - Quantum reservoir computing: a reservoir approach toward quantum machine
learning on near-term quantum devices [0.8206877486958002]
量子貯水池コンピューティング(Quantum reservoir computing)は、時間的機械学習のように、量子システム上で複雑でリッチなダイナミクスを使用するアプローチである。
これらの量子機械学習アプローチはすべて、実験的に実現可能であり、最先端の量子デバイスに有効である。
論文 参考訳（メタデータ） (2020-11-10T04:45:52Z) - Quantum Computation [0.0]
量子計算の中核となる原理と応用分野について論じ,要約する。
物理系の挙動に対する計算のマッピングは歴史的課題である。
量子コンピュータが正しく機能するために必要な技術を評価する。
論文 参考訳（メタデータ） (2020-06-04T11:57:18Z) - Quantum algorithms for quantum chemistry and quantum materials science [2.867517731896504]
本稿では, 電子構造, 量子統計力学, 量子力学の分野において, 量子コンピュータ上での解に対する潜在的な関心について, 化学・材料科学の中心的な問題を簡潔に述べる。
我々は、基底状態、力学、熱状態シミュレーションのための量子アルゴリズムの現在の進歩の詳細なスナップショットを取得し、将来の発展のためにそれらの強みと弱点を分析する。
論文 参考訳（メタデータ） (2020-01-10T22:49:56Z)
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。