論文の概要: Spectral methods: crucial for machine learning, natural for quantum computers?
- arxiv url: http://arxiv.org/abs/2603.24654v1
- Date: Wed, 25 Mar 2026 18:00:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:47.917828
- Title: Spectral methods: crucial for machine learning, natural for quantum computers?
- Title（参考訳）: スペクトル法:機械学習にとって重要な、量子コンピュータにとって自然な方法?
- Authors: Vasilis Belis, Joseph Bowles, Rishabh Gupta, Evan Peters, Maria Schuld,
- Abstract要約: 本稿では,量子コンピュータが機械学習の新しい手法を解き放つ理由について論じる。
我々は、特に機械学習モデルのフーリエスペクトルを学習、正規化、あるいは操作するスペクトル法は、しばしば量子コンピュータにとって自然であると主張する。
- 参考スコア（独自算出の注目度）: 2.6398242542211547
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This article presents an argument for why quantum computers could unlock new methods for machine learning. We argue that spectral methods, in particular those that learn, regularise, or otherwise manipulate the Fourier spectrum of a machine learning model, are often natural for quantum computers. For example, if a generative machine learning model is represented by a quantum state, the Quantum Fourier Transform allows us to manipulate the Fourier spectrum of the state using the entire toolbox of quantum routines, an operation that is usually prohibitive for classical models. At the same time, spectral methods are surprisingly fundamental to machine learning: A spectral bias has recently been hypothesised to be the core principle behind the success of deep learning; support vector machines have been known for decades to regularise in Fourier space, and convolutional neural nets build filters in the Fourier space of images. Could, then, quantum computing open fundamentally different, much more direct and resource-efficient ways to design the spectral properties of a model? We discuss this potential in detail here, hoping to stimulate a direction in quantum machine learning research that puts the question of ``why quantum?'' first.
- Abstract（参考訳）: 本稿では,量子コンピュータが機械学習の新しい手法を解き放つ理由について論じる。
我々は、特に機械学習モデルのフーリエスペクトルを学習、正規化、あるいは操作するスペクトル法は、しばしば量子コンピュータにとって自然であると主張する。
例えば、生成機械学習モデルが量子状態で表現されている場合、量子フーリエ変換により、量子ルーチンのツールボックス全体を使用して状態のフーリエスペクトルを操作できます。
スペクトルバイアスは、最近、ディープラーニングの成功の根本原理として仮説化され、サポートベクターマシンは、フーリエ空間で正規化するために数十年前から知られており、畳み込みニューラルネットワークは、画像のフーリエ空間にフィルタを構築している。
では、量子コンピューティングは、モデルのスペクトル特性を設計するための、根本的に異なる、はるかに直接的でリソース効率のよい方法があるだろうか?
量子機械学習の研究の方向性を刺激し、「なぜ量子?」という質問を最初にすることを期待して、この可能性について詳しく議論する。
関連論文リスト
- 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) - Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
本稿では,量子情報処理の導入について紹介する。
量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。
分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
論文 参考訳（メタデータ） (2024-05-31T16:43:20Z) - A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。
また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。
量子ニューラルネットワークの潜在的な利点を例に挙げる。
論文 参考訳（メタデータ） (2024-02-22T16:48:17Z) - Learning, Optimizing, and Simulating Fermions with Quantum Computers [2.810160553339817]
量子情報と計算のツールが、これらの両面でどのように役立つかを探る。
我々は、主に部分的状態学習(トモグラフィープロトコル)のタスクを通じて、量子系の減少するが十分で古典的な記述を得る。
同時に、そのようなプロトコルの探索において、量子状態を学ぶことが何を意味するのかという考え方も洗練される。
論文 参考訳（メタデータ） (2023-12-16T09:57:47Z) - 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) - Multidimensional Fourier series with quantum circuits [0.0]
多次元フーリエ列を生成する回路アンサーゼの表現性について検討する。
いくつかのアンサーゼに対して、そのような函数を適合させるために必要な自由度は、ヒルベルト空間の利用可能な次数よりも速く成長する。
回路のヒルベルト空間を、自由度を満たすために、より四角形あるいはより高次元の局所次元を用いて拡大できることが示される。
論文 参考訳（メタデータ） (2023-02-07T10:51:37Z) - 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 kernels to learn the phases of quantum matter [0.0]
カーネルは自然にエンフィダリティと関係しているため、量子情報ツールの助けを借りて学習プロセスを解釈することが可能である。
小型システムでは, 臨界から遠ざかっても, アルゴリズムが正確な結果が得られることを示す。
量子プロセッサにおける物質相を分類するために, サイト毎の忠実度に基づくアルゴリズムと, サイト毎の忠実度に基づくアルゴリズムを2つ提案する。
論文 参考訳（メタデータ） (2021-09-06T18:11:05Z) - Quantum Machine Learning: Fad or Future? [0.0]
私たちは、古典的なコンピューティングデバイスによって、利用可能な最大計算能力のしきい値に素早く近づきます。
これは、今や数十億と数兆のパラメータを持つモデルサイズが指数関数的に増加するためである。
本稿では、量子機械学習が古典的な機械学習アプローチよりも優れているという側面を検証し、検証する。
論文 参考訳（メタデータ） (2021-06-20T15:39:36Z) - 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。