論文の概要: Quantum Deep Learning: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2603.06644v1
• Date: Thu, 26 Feb 2026 15:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.473657
• Title: Quantum Deep Learning: A Comprehensive Review
• Title（参考訳）: 量子ディープラーニング: 総合的なレビュー
• Authors: Yanjun Ji, Zhao-Yun Chen, Marco Roth, David A. Kreplin, Christian Schiffer, Martin King, Oliver Anton, M. Sahnawaz Alam, Markus Krutzik, Dennis Willsch, Ludwig Mathey, Frank K. Wilhelm, Guo-Ping Guo,
• Abstract要約: 量子ディープラーニング(QDL)は、ディープラーニングのコア機能を強化するために、量子リソースと量子インスパイアされたリソースの両方を使用することを探求する。 このレビューは、読者に専門的な文学を指導しながら、大学院生のためのチュートリアルのエントリーポイントとして機能する。
• 参考スコア（独自算出の注目度）: 0.38707378748149973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum deep learning (QDL) explores the use of both quantum and quantum-inspired resources to determine when deep learning's core capabilities, such as expressivity, generalization, and scalability, can be enhanced based on specific resource constraints. Distinct from broader quantum machine learning, QDL emphasizes compositional depth at the pipeline level and the integration of quantum or quantum-inspired components within end-to-end workflows. This review provides an operational definition of QDL and introduces a taxonomy comprising four primary paradigms: hybrid quantum-classical models, quantum deep neural networks, quantum algorithms for deep learning primitives, and quantum-inspired classical algorithms. Theoretical principles are connected to advanced architectures, software toolchains, and experimental demonstrations across superconducting, trapped-ion, photonic, semiconductor spin, and neutral-atom systems, as well as quantum annealers. Claims of quantum advantage are critically assessed by distinguishing provable complexity-theoretic separations from empirical observations. The analysis characterizes trade-offs between model expressivity, trainability, and classical simulability, while systematically detailing the bottlenecks imposed by optimization landscapes, input-output access models, and hardware constraints. Applications are surveyed in domains encompassing image classification, natural language processing, scientific discovery, quantum data processing, and quantum optimal control, underscoring fair benchmarking against optimized classical counterparts and a comprehensive assessment of resource requirements. This review serves as a tutorial entry point for graduate students while guiding readers to specialized literature. It concludes with a verification-aware roadmap to transition QDL from near-term demonstrations to scalable and fault-tolerant implementations.
• Abstract（参考訳）: 量子ディープラーニング(QDL)は、特定のリソース制約に基づいてディープラーニングのコア機能(表現性、一般化、拡張性など)をいつ拡張できるかを決定するために、量子リソースと量子インスパイアされたリソースの両方の使用を探索する。 より広範な量子機械学習とは対照的に、QDLはパイプラインレベルでの構成深度と、エンドツーエンドワークフロー内での量子または量子インスパイアされたコンポーネントの統合を強調している。 このレビューでは、QDLの運用定義を提供し、ハイブリッド量子古典モデル、量子ディープニューラルネットワーク、ディープラーニングプリミティブのための量子アルゴリズム、量子インスパイアされた古典アルゴリズムの4つの主要なパラダイムからなる分類を紹介している。 理論的原理は、高度なアーキテクチャ、ソフトウェアツールチェーン、超伝導、閉じ込められたイオン、フォトニック、半導体スピン、中性原子系の実験的なデモンストレーション、および量子アニールと結びついている。 量子優位性の主張は、証明可能な複雑性理論的分離と経験的観察を区別することで、批判的に評価される。 この分析は、最適化ランドスケープ、入力出力アクセスモデル、ハードウェア制約によって課されるボトルネックを体系的に詳述しつつ、モデル表現性、トレーニング可能性、古典的なシミュラビリティのトレードオフを特徴付ける。 アプリケーションは、画像分類、自然言語処理、科学的発見、量子データ処理、量子最適制御を含む領域で調査され、最適化された古典的手法に対する公正なベンチマークと、リソース要件の包括的な評価が評価されている。 このレビューは、読者に専門的な文学を指導しながら、大学院生のためのチュートリアルのエントリーポイントとして機能する。 QDLを短期的なデモからスケーラブルでフォールトトレラントな実装に移行するための検証対応のロードマップで締めくくっている。

関連論文リスト

• Quantum Machine Learning for Complex Systems [0.0]
  量子機械学習(QML)は理論的な約束から実践的関連性へと急速に移行している。 このレビューは、基礎となる量子学習の原則を現実世界のアプリケーションに橋渡しする進歩について、構造化された概要を提供する。
  論文  参考訳（メタデータ） (2026-02-23T20:54:08Z)
• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Reinforcement Learning for Quantum Technology [0.0]
  量子技術は、強化学習(RL)として知られる一連の機械学習アルゴリズムを用いて、うまく対処することができる。 我々は、強化学習における鍵となる概念と核となる概念を、量子システムに特に焦点をあてて論じる。 本稿では,少数・多体量子システムにおける状態準備,高忠実度量子ゲートの設計と最適化,量子回路の自動構築について論じる。
  論文  参考訳（メタデータ） (2026-01-26T20:47:48Z)
• Practical Hybrid Quantum Language Models with Observable Readout on Real Hardware [0.764671395172401]
  本稿では,ハイブリッド量子言語モデルとして,QRNN(Quantum Recurrent Neural Networks)とQCNN(Quantum Convolutional Neural Networks)を提案する。 我々のアーキテクチャは、ハードウェア最適化パラメトリック量子回路と軽量な古典射影層を組み合わせたものである。 IBM Quantumプロセッサの実験では、回路深さとトレーニング容易性の間の重要なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2025-12-14T14:22:44Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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 Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
  本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。 本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
  論文  参考訳（メタデータ） (2020-03-06T01:31:43Z)

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。