論文の概要: Toward speedup without quantum coherent access

• arxiv url: http://arxiv.org/abs/2602.20781v1
• Date: Tue, 24 Feb 2026 11:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.721626
• Title: Toward speedup without quantum coherent access
• Title（参考訳）: 量子コヒーレントアクセスなしでの高速化に向けて
• Authors: Nhat A. Nghiem,
• Abstract要約: 古典的資源と量子的資源の両方を活用する量子アルゴリズムの変種を提案する。 主成分分析,線形方程式解,ハミルトニアンシミュレーション,データフィッティングなど,幅広い問題にどのように対処するかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Along with the development of quantum technology, finding useful applications of quantum computers has been a central pursuit. Despite various quantum algorithms have been developed, many of them often require strong input assumptions, which is hardware demanding. In particular, recent advances on dequantization have revealed that the quantum advantage is more of a mere artifact of strong input assumptions. In this work, we propose a variant of these algorithms, leveraging both classical and quantum resources. Provided the classical knowledge (the entries) of the matrix/vector of interest, a classical procedure is used to pre-process this information. Then they are fed into a quantum circuit which is shown to be a block encoding of the matrix of interest. From this block-encoding, we show how to use it to tackle a wide range of problems, including principal component analysis, linear equation solving, Hamiltonian simulation, preparing ground state, and data fitting. We also analyze our protocol, showing that both the classical and quantum procedure can achieve logarithmic complexity in the input dimension, thus implying its potential for near term realization. We then discuss several implications and corollaries of our result. First,, our results suggest there are certain matrices/Hamiltonians where our method can provide exponential improvement compared to the existing ones with respect to the sparsity. Regarding dense linear systems, our method achieves exponential speed-up with respect to the inverse of error tolerance, compared to the best previously known quantum algorithm for dense systems. Last, and most importantly, regarding quantum data fitting, we show how the output of our quantum algorithms can be leveraged to predict unseen data. Thus, it provides an end-to-end application, which has been an open aspect of the previous quantum data fitting algorithm.
• Abstract（参考訳）: 量子技術の発展とともに、量子コンピュータの有用な応用を見つけることが中心的課題となっている。 様々な量子アルゴリズムが開発されているが、それらの多くはハードウェアが要求する強い入力仮定を必要とすることが多い。 特に、近年の量子化の進歩により、量子的優位性は強い入力仮定の単なる人工物であることが明らかになった。 そこで本研究では,古典的資源と量子的資源の両面から,これらのアルゴリズムの変種を提案する。 興味のある行列/ベクトルの古典的知識(エントリ)が与えられると、この情報を前処理するために古典的手続きが用いられる。 次に、それらは、興味のある行列のブロック符号化であることを示す量子回路に入力される。 このブロックエンコーディングから、主成分分析、線形方程式解、ハミルトンシミュレーション、基底状態の準備、データフィッティングなど、幅広い問題にどのように対処するかを示す。 また,古典的手法と量子的手法の両方が入力次元の対数的複雑性を達成できることを示すプロトコルを解析した結果,近未来の実現の可能性が示唆された。 次に、結果のいくつかの意味と概要について論じる。 まず,本手法が既存手法と比較して指数関数的に改善できるような行列・ハミルトニアンの存在が示唆された。 密度線形系については,従来よく知られていた高密度系に対する量子アルゴリズムと比較して,誤差耐性の逆数に対する指数的高速化を実現する。 最後に、そして最も重要なことは、量子データフィッティングに関して、量子アルゴリズムの出力がどのようにして未知のデータを予測するかを示す。 したがって、従来の量子データフィッティングアルゴリズムのオープンな側面であるエンドツーエンドアプリケーションを提供する。

関連論文リスト

• Digital quantum simulation of many-body systems: Making the most of intermediate-scale, noisy quantum computers [51.56484100374058]
  この論文は量子デバイス上の量子力学をシミュレートすることを中心にしている。 本稿では,量子力学における最も関連性の高い量子アルゴリズムの概要を紹介する。 近い将来に量子シミュレーションの恩恵を受けることができる量子力学における関連する問題を同定する。
  論文  参考訳（メタデータ） (2025-08-29T10:37:19Z)
• Quantum Algorithms Without Coherent Quantum Access [0.0]
  ほとんどの量子スピードアップは、古典的な情報をコヒーレントな量子的にアクセスできるサブルーチンに依存している。 このようなアクセスがなければ、量子コンピュータは古典的なコンピュータよりも強いものではないことが示されている。 本研究では,いくつかの量子アルゴリズムの変種を開発する。
  論文  参考訳（メタデータ） (2025-03-04T11:24:28Z)
• QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design [63.02824918725805]
  量子コンピューティングは、量子アルゴリズムによる古典的コンピューティングよりも大幅にスピードアップされていることが認識されている。 QCircuitBenchは、量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された最初のベンチマークデータセットである。
  論文  参考訳（メタデータ） (2024-10-10T14:24:30Z)
• 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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Tensor Quantum Programming [0.0]
  本研究では,行列積演算子を量子回路に符号化するアルゴリズムを開発した。 これは、微分方程式、最適化問題、量子化学において頻繁に遭遇する数に対して、最大50量子ビットでの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-20T10:44:00Z)
• A Quantum Algorithm Based Heuristic to Hide Sensitive Itemsets [1.8419202109872088]
  データ共有の文脈において、よく研究された問題を解決するための量子的アプローチを提案する。 本稿では, 量子アルゴリズムを用いて, この問題の解決方法を示すために, 小型データセットを用いた実験を行った。
  論文  参考訳（メタデータ） (2024-02-12T20:44:46Z)
• 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)
• Parametrized Complexity of Quantum Inspired Algorithms [0.0]
  量子アルゴリズムの有望な領域は量子機械学習と量子最適化である。 近年の量子技術、特に量子ソフトウェアの発展により、研究と産業のコミュニティは量子アルゴリズムの新しい応用を見つけようとしている。
  論文  参考訳（メタデータ） (2021-12-22T06:19:36Z)

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。