論文の概要: Supervised Quantum Machine Learning: A Future Outlook from Qubits to Enterprise Applications
- arxiv url: http://arxiv.org/abs/2505.24765v5
- Date: Wed, 25 Jun 2025 02:08:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 14:36:56.381832
- Title: Supervised Quantum Machine Learning: A Future Outlook from Qubits to Enterprise Applications
- Title（参考訳）: Supervised Quantum Machine Learning: キュービットからエンタープライズアプリケーションへの展望
- Authors: Srikanth Thudumu, Jason Fisher, Hung Du,
- Abstract要約: Supervised 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共通点である。
本稿では, 量子回路, 量子ニューラルネットワーク, 量子カーネル法などの手法に着目し, 教師付きQMLの最近の展開を概観する。
- 参考スコア（独自算出の注目度）: 0.6144680854063939
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Supervised Quantum Machine Learning (QML) represents an intersection of quantum computing and classical machine learning, aiming to use quantum resources to support model training and inference. This paper reviews recent developments in supervised QML, focusing on methods such as variational quantum circuits, quantum neural networks, and quantum kernel methods, along with hybrid quantum-classical workflows. We examine recent experimental studies that show partial indications of quantum advantage and describe current limitations including noise, barren plateaus, scalability issues, and the lack of formal proofs of performance improvement over classical methods. The main contribution is a ten-year outlook (2025-2035) that outlines possible developments in supervised QML, including a roadmap describing conditions under which QML may be used in applied research and enterprise systems over the next decade.
- Abstract（参考訳）: Supervised 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共通部分であり、量子リソースを使用してモデルトレーニングと推論をサポートすることを目的としている。
本稿では, 量子回路, 量子ニューラルネットワーク, 量子カーネル法などの手法と, ハイブリッド量子古典的ワークフローに着目し, 教師付きQMLの最近の展開を概観する。
量子優位性の部分的な指標を示す最近の実験的研究について検討し、ノイズ、不毛な高原、スケーラビリティの問題、古典的手法による性能改善の正式な証明の欠如など、現在の制限について述べる。
主な貢献は10年間の展望(2025-2035)であり、今後10年間にQMLが応用研究やエンタープライズシステムで使用される可能性がある状況を説明するロードマップを含む、教師付きQMLの開発の可能性について概説している。
関連論文リスト
- VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Training Hybrid Deep Quantum Neural Network for Reinforcement Learning Efficiently [2.7812018782449073]
量子機械学習(QML)は、最近、新しい学際研究の方向性として登場した。
ノイズの多い中間スケール量子コンピュータと互換性のあるハイブリッドQMLモデルに関する最近の研究は、性能の向上を示唆している。
課題を克服し、PQCブロックによる効率的なバッチ最適化を示すスケーラブルなQMLアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-03-12T07:12:02Z) - 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) - Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。
エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
論文 参考訳（メタデータ） (2023-07-03T10:12:34Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Challenges and Opportunities in Quantum Machine Learning [2.5671549335906367]
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。
論文 参考訳（メタデータ） (2023-03-16T17:10:39Z) - 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) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - 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) - Evolution of Quantum Computing: A Systematic Survey on the Use of
Quantum Computing Tools [5.557009030881896]
我々は体系的な調査を行い、量子コンピューティングを促進する論文、ツール、フレームワーク、プラットフォームを分類する。
我々は、現在の本質を議論し、オープン課題を特定し、今後の研究方向性を提供する。
我々は、ここ数年でフレームワーク、ツール、プラットフォームのスコアが出現しており、現在利用可能な施設の改善は量子研究コミュニティにおける研究活動を活用するだろうと結論付けている。
論文 参考訳（メタデータ） (2022-04-04T21:21:12Z) - 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)
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。