論文の概要: Challenges and Opportunities in Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2303.09491v1
- Date: Thu, 16 Mar 2023 17:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 14:37:20.114894
- Title: Challenges and Opportunities in Quantum Machine Learning
- Title(参考訳): 量子機械学習における課題と機会
- Authors: M. Cerezo, Guillaume Verdon, Hsin-Yuan Huang, Lukasz Cincio, Patrick
J. Coles
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.5671549335906367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: At the intersection of machine learning and quantum computing, Quantum
Machine Learning (QML) has the potential of accelerating data analysis,
especially for quantum data, with applications for quantum materials,
biochemistry, and high-energy physics. Nevertheless, challenges remain
regarding the trainability of QML models. Here we review current methods and
applications for QML. We highlight differences between quantum and classical
machine learning, with a focus on quantum neural networks and quantum deep
learning. Finally, we discuss opportunities for quantum advantage with QML.
- Abstract(参考訳): 機械学習と量子コンピューティングの交差点では、量子機械学習(qml)は、特に量子データのためのデータ分析を加速する可能性があり、量子材料、生化学、高エネルギー物理学への応用がある。
しかし、QMLモデルのトレーニング性に関する課題は依然として残っている。
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深層学習に注目し,量子機械学習と古典的機械学習の違いに注目した。
最後にQMLによる量子優位性の可能性について論じる。
関連論文リスト
- Explainable Quantum Machine Learning [0.7046417074932257]
人工知能(AI)や特に機械学習(ML)の手法は、これまで以上に複雑になってきている。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善が進行中である。
論文 参考訳(メタデータ) (2023-01-22T15:17:12Z) - 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) - Parameterized Quantum Circuits with Quantum Kernels for Machine
Learning: A Hybrid Quantum-Classical Approach [0.8722210937404288]
Kernel ized Quantum Circuits (PQCs) は一般に量子機械学習(QML)へのハイブリッドアプローチで使用される。
我々は、PQCと量子カーネルの重要な側面として、PQC、量子カーネル、量子アドバンテージを持つ量子カーネル、量子カーネルのトレーニング可能性について論じる。
論文 参考訳(メタデータ) (2022-09-28T22:14:41Z) - Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。
本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文 参考訳(メタデータ) (2022-09-16T02:37:32Z) - 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) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - 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) - Classification with Quantum Machine Learning: A Survey [17.55390082094971]
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。
論文 参考訳(メタデータ) (2020-06-22T14:05:31Z)
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。