論文の概要: Advantage of Quantum Machine Learning from General Computational
Advantages
- arxiv url: http://arxiv.org/abs/2312.03057v1
- Date: Tue, 5 Dec 2023 19:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 17:03:08.405650
- Title: Advantage of Quantum Machine Learning from General Computational
Advantages
- Title(参考訳): 一般計算による量子機械学習の利点
- Authors: Hayata Yamasaki, Natsuto Isogai, Mio Murao
- Abstract要約: 量子機械学習(QML)の全体的マイルストーンは、あらゆる古典的な学習方法に対するQMLの利点を実証することである。
ここでは、古典的なデータを用いた教師付き学習タスクのファミリーを前例のないほど広く構築し、QMLの利点を実証する。
我々の学習課題は、少数の入力に間に合うように効率的に計算できる関数の一般クラスを実行することで実現可能である。
- 参考スコア(独自算出の注目度): 2.5322020135765464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An overarching milestone of quantum machine learning (QML) is to demonstrate
the advantage of QML over all possible classical learning methods in
accelerating a common type of learning task as represented by supervised
learning with classical data. However, the provable advantages of QML in
supervised learning have been known so far only for the learning tasks designed
for using the advantage of specific quantum algorithms, i.e., Shor's
algorithms. Here we explicitly construct an unprecedentedly broader family of
supervised learning tasks with classical data to offer the provable advantage
of QML based on general quantum computational advantages, progressing beyond
Shor's algorithms. Our learning task is feasibly achievable by executing a
general class of functions that can be computed efficiently in polynomial time
for a large fraction of inputs by arbitrary quantum algorithms but not by any
classical algorithm. We prove the hardness of achieving this learning task for
any possible polynomial-time classical learning method. We also clarify
protocols for preparing the classical data to demonstrate this learning task in
experiments. These results open routes to exploit a variety of quantum
advantages in computing functions for the experimental demonstration of the
advantage of QML.
- Abstract(参考訳): 量子機械学習(qml:quantum machine learning)の全体的なマイルストーンは、古典データによる教師付き学習で表される一般的な学習タスクを加速する、すべての可能な古典的学習方法に対するqmlの利点を示すことである。
しかしながら、教師付き学習におけるqmlの証明可能な利点は、特定の量子アルゴリズム、すなわちショアのアルゴリズムを利用するように設計された学習タスクでのみ知られている。
ここでは、一般的な量子計算の利点に基づくqmlの証明可能な利点を提供するために、古典データを用いた教師付き学習タスクの、前例のない広範なファミリーを明示的に構築する。
我々の学習課題は、任意の量子アルゴリズムによって多くの入力に対して多項式時間で効率的に計算できる関数の一般クラスを実行することで実現可能である。
任意の多項式時間古典学習法において,この学習課題を達成することの難しさを証明する。
また,この学習課題を実証するために,古典データ作成のためのプロトコルを明らかにする。
これらの結果は、QMLの利点を実験的に実証するために、コンピューティング機能における様々な量子上の利点を利用するためのルートを開く。
関連論文リスト
- 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) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - 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) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳(メタデータ) (2022-12-13T16:04:16Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - A preprocessing perspective for quantum machine learning classification
advantage using NISQ algorithms [0.0]
変分量子アルゴリズム(VQA)は,LDA法とバランスの取れた精度で性能が向上したことを示す。
現在の量子コンピュータはノイズが多く、テストする量子ビットは少ないため、QML法の現在の量子的利点と潜在的な量子的優位性を実証することは困難である。
論文 参考訳(メタデータ) (2022-08-28T16:58:37Z) - Quantum Machine Learning For Classical Data [0.0]
量子コンピューティングと教師付き機械学習アルゴリズムの交差について研究する。
特に,教師付き機械学習アルゴリズムの高速化に量子コンピュータがどの程度使えるかを検討する。
論文 参考訳(メタデータ) (2021-05-08T12:11:44Z) - Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
変分量子分類(VQC)は、量子的に有利な方法の一つである。
本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。
QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
論文 参考訳(メタデータ) (2020-05-29T04:43:14Z) - Quantum circuit-like learning: A fast and scalable classical
machine-learning algorithm with similar performance to quantum circuit
learning [0.0]
量子回路学習(QCL)と同じヒルベルト空間を用いた古典的機械学習アルゴリズムを提案する。
数値シミュレーションにおいて,提案アルゴリズムは複数のMLタスクに対するQCLに類似した性能を示す。
論文 参考訳(メタデータ) (2020-03-24T05:19:38Z) - Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。
より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文 参考訳(メタデータ) (2020-01-28T17:35:32Z)
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。