論文の概要: Exponential quantum advantage in processing massive classical data
- arxiv url: http://arxiv.org/abs/2604.07639v1
- Date: Wed, 08 Apr 2026 22:55:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.58874
- Title: Exponential quantum advantage in processing massive classical data
- Title（参考訳）: 大規模古典データ処理における指数量子優位性
- Abstract要約: 我々は,多対数サイズの小さな量子コンピュータが,大規模な古典的データに対して大規模な分類と次元削減を行うことができることを証明した。
我々は、単一セルRNAシークエンシングや映画レビューの感情分析など、現実の応用におけるこれらの量子的優位性を検証する。
- 参考スコア（独自算出の注目度）: 35.39226386838022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Broadly applicable quantum advantage, particularly in classical data processing and machine learning, has been a fundamental open problem. In this work, we prove that a small quantum computer of polylogarithmic size can perform large-scale classification and dimension reduction on massive classical data by processing samples on the fly, whereas any classical machine achieving the same prediction performance requires exponentially larger size. Furthermore, classical machines that are exponentially larger yet below the required size need superpolynomially more samples and time. We validate these quantum advantages in real-world applications, including single-cell RNA sequencing and movie review sentiment analysis, demonstrating four to six orders of magnitude reduction in size with fewer than 60 logical qubits. These quantum advantages are enabled by quantum oracle sketching, an algorithm for accessing the classical world in quantum superposition using only random classical data samples. Combined with classical shadows, our algorithm circumvents the data loading and readout bottleneck to construct succinct classical models from massive classical data, a task provably impossible for any classical machine that is not exponentially larger than the quantum machine. These quantum advantages persist even when classical machines are granted unlimited time or if BPP=BQP, and rely only on the correctness of quantum mechanics. Together, our results establish machine learning on classical data as a broad and natural domain of quantum advantage and a fundamental test of quantum mechanics at the complexity frontier.
- Abstract（参考訳）: 特に古典的なデータ処理や機械学習において、広く適用可能な量子優位性は、根本的なオープンな問題である。
本研究では, 高速でサンプルを処理することで, 大規模な古典データに対して, 大規模分類と次元削減が可能であることを実証する一方, 同じ予測性能を実現する古典機械は指数関数的に大きなサイズを必要とする。
さらに、必要なサイズ以下で指数関数的に大きい古典機械は、スーパーポリノミクス的により多くのサンプルと時間を必要とする。
単一セルRNAシークエンシングや映画レビューの感情分析など,現実の応用におけるこれらの量子的優位性を検証し,60量子ビット未満の4～6桁のサイズの縮小を実証した。
これらの量子アドバンテージは、ランダムな古典データサンプルのみを使用して量子重ね合わせで古典世界にアクセスするアルゴリズムである量子オラクルスケッチによって実現されている。
古典的シャドウと組み合わせて、我々のアルゴリズムは、量子マシンよりも指数関数的に大きくない任意の古典的マシンに対して証明不可能な、巨大な古典的データから簡潔な古典的モデルを構築するために、データのロードと読み出しのボトルネックを回避する。
これらの量子アドバンテージは、古典機械に無制限の時間またはBPP=BQPが与えられても持続し、量子力学の正しさにのみ依存する。
この結果から,量子優位性の広範かつ自然な領域としての古典的データに基づく機械学習と,複雑性フロンティアにおける量子力学の基礎的テストが得られた。
関連論文リスト
- Machine learning with minimal use of quantum computers: Provable advantages in Learning Under Quantum Privileged Information (LUQPI) [3.3882078618429348]
量子コンピュータは特徴抽出器としてのみ使用される。
このモデルは,プライヴィグド・インフォメーションに基づく学習の古典的枠組みを適用して形式化する。
このような最小限の量子特徴抽出であっても、トレーニング中にのみ利用可能であり、指数的な量子-古典的分離が得られることを示す。
論文 参考訳（メタデータ） (2026-01-29T17:14:58Z) - Distributed quantum machine learning via classical communication [0.7378853859331619]
本稿では,古典的通信を通じて量子プロセッサユニットを統合する実験的な分散量子機械学習手法を提案する。
その結果,古典的コミュニケーションを取り入れることで,コミュニケーションのないスキームに比べて分類精度が向上することが示唆された。
論文 参考訳（メタデータ） (2024-08-29T08:05:57Z) - 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) - Exponential quantum advantages in learning quantum observables from classical data [1.9662978733004604]
我々は、古典的なデータから量子オブザーバブルを学習する物理的に関係のあるタスクに対して、量子上の利点を証明している。
我々の結果は、量子多体物理学の領域における機械学習問題に対する量子コンピュータの実用性に光を当てた。
論文 参考訳（メタデータ） (2024-05-03T11:58:43Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - 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) - 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) - Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。
予測の利点を生かして、新しいタイプの量子測度がもたらされる。
予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文 参考訳（メタデータ） (2022-09-12T15:47:44Z) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳（メタデータ） (2020-11-03T19:00:01Z) - Space Complexity of Streaming Algorithms on Universal Quantum Computers [13.941598115553957]
PartialMOD や Equality などのデータストリーム問題の空間的複雑さは、普遍量子コンピュータ上で研究されている。
これらの問題の量子アルゴリズムは、古典的なアルゴリズムよりも優れていると考えられている。
論文 参考訳（メタデータ） (2020-10-31T16:16:35Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳（メタデータ） (2020-10-21T09:46:12Z)
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。