論文の概要: A Survey on Quantum Machine Learning: Current Trends, Challenges, Opportunities, and the Road Ahead
- arxiv url: http://arxiv.org/abs/2310.10315v2
- Date: Sat, 27 Jul 2024 08:08:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 00:36:23.515583
- Title: A Survey on Quantum Machine Learning: Current Trends, Challenges, Opportunities, and the Road Ahead
- Title（参考訳）: 量子機械学習に関するサーベイ:最近の動向,課題,機会,道の先
- Authors: Kamila Zaman, Alberto Marchisio, Muhammad Abdullah Hanif, Muhammad Shafique,
- Abstract要約: 量子コンピューティング(QC)は、古典的な計算に比べて複雑な問題を解く効率を改善すると主張している。
QCが機械学習(ML)に統合されると、量子機械学習(QML)システムを生成する。
本稿では,QCの基本概念と,その古典コンピューティングに対する顕著な優位性について,より深く理解することを目的とする。
- 参考スコア（独自算出の注目度）: 5.629434388963902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Computing (QC) claims to improve the efficiency of solving complex problems, compared to classical computing. When QC is integrated with Machine Learning (ML), it creates a Quantum Machine Learning (QML) system. This paper aims to provide a thorough understanding of the foundational concepts of QC and its notable advantages over classical computing. Following this, we delve into the key aspects of QML in a detailed and comprehensive manner. In this survey, we investigate a variety of QML algorithms, discussing their applicability across different domains. We examine quantum datasets, highlighting their unique characteristics and advantages. The survey also covers the current state of hardware technologies, providing insights into the latest advancements and their implications for QML. Additionally, we review the software tools and simulators available for QML development, discussing their features and usability. Furthermore, we explore practical applications of QML, illustrating how it can be leveraged to solve real-world problems more efficiently than classical ML methods. This paper serves as a valuable resource for readers seeking to understand the current state-of-the-art techniques in the QML field, offering a solid foundation to embark on further exploration and development in this rapidly evolving area.
- Abstract（参考訳）: 量子コンピューティング(QC)は、古典的な計算に比べて複雑な問題を解く効率を改善すると主張している。
QCが機械学習(ML)に統合されると、量子機械学習(QML)システムを生成する。
本稿では,QCの基本概念と,その古典コンピューティングに対する顕著な優位性について,より深く理解することを目的とする。
続いて、QMLの重要な側面を詳細に、そして包括的な方法で掘り下げます。
本稿では,様々なQMLアルゴリズムについて検討し,その適用性について検討する。
量子データセットを調べ、そのユニークな特徴と利点を強調します。
調査ではまた、ハードウェア技術の現在の状況についても取り上げ、最新の進歩とQMLへの影響に関する洞察を提供している。
さらに、QML開発で利用可能なソフトウェアツールやシミュレータについてもレビューし、その機能やユーザビリティについて論じる。
さらに,QMLの実践的応用について検討し,従来のML手法よりも現実の問題を効率的に解くためにどのように活用できるかを解説した。
本稿は,QML分野における最先端技術を理解しようとする読者にとって貴重な資料であり,この急速に発展する領域において,さらなる探査・開発を行うための確固たる基盤を提供する。
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) - Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳（メタデータ） (2024-11-13T12:03:39Z) - Security Concerns in Quantum Machine Learning as a Service [2.348041867134616]
量子機械学習(Quantum Machine Learning、QML)は、変分量子回路(VQC)を用いて機械学習タスクに取り組むアルゴリズムのカテゴリである。
近年の研究では、限られたトレーニングデータサンプルからQMLモデルを効果的に一般化できることが示されている。
QMLは、古典的および量子コンピューティングリソースの両方を利用するハイブリッドモデルである。
論文 参考訳（メタデータ） (2024-08-18T18:21:24Z) - Feature Importance and Explainability in Quantum Machine Learning [0.0]
多くの機械学習(ML)モデルはブラックボックスモデルと呼ばれ、なぜ予測されるのかについて本当の洞察を与えていない。
本稿では、古典的MLモデルと比較して量子機械学習(QML)の特徴的重要性と説明可能性について考察する。
論文 参考訳（メタデータ） (2024-05-14T19:12:32Z) - Predominant Aspects on Security for Quantum Machine Learning: Literature Review [0.0]
量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習の有望な交わりとして登場した。
本稿では,セキュリティ上の懸念と強みがQMLとどのように結びついているのかを,系統的な文献レビューを用いて論じる。
論文 参考訳（メタデータ） (2024-01-15T15:35:43Z) - Foundations of Quantum Federated Learning Over Classical and Quantum
Networks [59.121263013213756]
量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。
QFLは古典的通信網と量子的通信網の両方に展開できる。
論文 参考訳（メタデータ） (2023-10-23T02:56:00Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Quantum-Inspired Machine Learning: a Survey [32.913044758923455]
量子インスパイアされた機械学習(QiML)は急成長する分野であり、研究者から世界的な注目を集めている。
本調査では,テンソルネットワークシミュレーションや復号化アルゴリズムなど,QiMLのさまざまな研究領域について調査する。
QiMLが進化を続けるにつれて、量子力学、量子コンピューティング、そして古典的な機械学習から引き出された、数多くの将来の発展が予想される。
論文 参考訳（メタデータ） (2023-08-22T08:29:09Z) - 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) - 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。