論文の概要: Prospects for quantum advantage in machine learning from the representability of functions

• arxiv url: http://arxiv.org/abs/2512.15661v1
• Date: Wed, 17 Dec 2025 18:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:27.09694
• Title: Prospects for quantum advantage in machine learning from the representability of functions
• Title（参考訳）: 関数の表現可能性からみた機械学習における量子優位性の展望
• Authors: Sergi Masot-Llima, Elies Gil-Fuster, Carlos Bravo-Prieto, Jens Eisert, and Tommaso Guaita,
• Abstract要約: 回路深度と非クリフォードゲート数によって、モデルの出力が効率的な古典的シミュレーションやシュロゲーションに繋がるかどうかを判断する。 この分析は,多くの既存シミュレーション手法の根底にある不等化の共通経路を明らかにするものである。
• 参考スコア（独自算出の注目度）: 0.769672852567215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Demonstrating quantum advantage in machine learning tasks requires navigating a complex landscape of proposed models and algorithms. To bring clarity to this search, we introduce a framework that connects the structure of parametrized quantum circuits to the mathematical nature of the functions they can actually learn. Within this framework, we show how fundamental properties, like circuit depth and non-Clifford gate count, directly determine whether a model's output leads to efficient classical simulation or surrogation. We argue that this analysis uncovers common pathways to dequantization that underlie many existing simulation methods. More importantly, it reveals critical distinctions between models that are fully simulatable, those whose function space is classically tractable, and those that remain robustly quantum. This perspective provides a conceptual map of this landscape, clarifying how different models relate to classical simulability and pointing to where opportunities for quantum advantage may lie.
• Abstract（参考訳）: 機械学習タスクにおける量子優位性を示すには、提案されたモデルとアルゴリズムの複雑な風景をナビゲートする必要がある。 この探索に明瞭さをもたらすために,パラメータ化量子回路の構造と実際に学習できる関数の数学的性質を結びつける枠組みを導入する。 この枠組みでは、回路深度や非クリフォードゲート数といった基本的な性質が、モデル出力が効率的な古典的シミュレーションやシュロゲーションに繋がるかどうかを直接決定する。 この分析は,多くの既存シミュレーション手法の根底にある不等化の共通経路を明らかにするものである。 さらに重要なことは、完全にシミュラブルなモデル、古典的にトラクタブルな関数空間を持つモデル、堅牢で量子的なモデルの間の重要な区別を明らかにすることである。 この視点は、この風景の概念地図を提供し、異なるモデルが古典的なシミュラビリティとどのように関係しているかを明らかにし、量子的優位性の機会がどこにあるかを示す。

関連論文リスト

• Quon Classical Simulation: Unifying Cliffords, Matchgates and Entanglement [1.1584392437481228]
  ハイブリッドClifford-Matchgate回路のためのQuon Classical Simulation (QCS) を確立する。 このフレームワークは、時空境界と欠陥を持つ2+1Dトポロジカル量子場理論であるQuon言語に基づいている。
  論文  参考訳（メタデータ） (2025-05-12T17:53:05Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• 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)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Tensor Networks or Decision Diagrams? Guidelines for Classical Quantum Circuit Simulation [65.93830818469833]
  テンソルネットワークと決定図は、異なる視点、用語、背景を念頭に、独立して開発されている。 これらの手法が古典的量子回路シミュレーションにどのようにアプローチするかを考察し、最も適用可能な抽象化レベルに関してそれらの相似性を考察する。 量子回路シミュレーションにおいて,テンソルネットワークの使い勝手の向上と決定図の使い勝手の向上に関するガイドラインを提供する。
  論文  参考訳（メタデータ） (2023-02-13T19:00:00Z)
• 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)
• Generalization despite overfitting in quantum machine learning models [0.0]
  量子モデルにおける良性過剰適合のキャラクタリゼーションを提供する。 量子モデルのクラスが如何に類似した特徴を示すかを示す。 我々はこれらの特徴を、局所的な「スパイク」な振る舞いでノイズデータを補間する量子モデルの能力に応じて直感的に説明する。
  論文  参考訳（メタデータ） (2022-09-12T18:08:45Z)
• Classical surrogates for quantum learning models [0.7734726150561088]
  本稿では,訓練された量子学習モデルから効率的に得られる古典的モデルである古典的サロゲートの概念を紹介する。 我々は、よく解析された再アップロードモデルの大規模なクラスが古典的なサロゲートを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-23T14:37:02Z)
• Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
  確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。 このような量子相関が生成モデリングの強力な資源となることを理論的に示す。 この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
  論文  参考訳（メタデータ） (2021-01-20T22:57:22Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。