論文の概要: Do We Really Need Quantum Machine Learning?: A Multidimensional Empirical Study
- arxiv url: http://arxiv.org/abs/2605.27923v1
- Date: Wed, 27 May 2026 03:53:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.733467
- Title: Do We Really Need Quantum Machine Learning?: A Multidimensional Empirical Study
- Title（参考訳）: 量子機械学習は本当に必要か?-多次元実証的研究
- Authors: Sudip Vhaduri, Ryan Gammon, Sayanton Dibbo,
- Abstract要約: 本稿では,MNIST手書き桁データセットを用いた画像認識のための古典的および量子機械学習モデルのベンチマーク研究を行う。
SVMベースのモデルでは、QSVMはCSVMの精度を一貫して上回り、1,000サンプルではsim$ 0.90、sim$ 0.85に達する。
ニューラルネットワークモデルでは、CCNNとQCNNは同等の分類精度を達成している。
- 参考スコア（独自算出の注目度）: 0.7136933021609079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of computer vision and increasingly complex image recognition tasks has exposed fundamental computational limitations of classical machine learning models, motivating the exploration of quantum computing as an emerging new paradigm. This paper presents a comprehensive benchmarking study of classical and quantum machine learning models for image recognition on the MNIST handwritten digit dataset, evaluating both traditional models, a Classical Support Vector Machine (CSVM) and a Quantum Support Vector Machine (QSVM), and deep neural network models, a Classical Convolutional Neural Network (CCNN) and a Quantum Convolutional Neural Network (QCNN), across four performance dimensions: classification accuracy, computational runtime, parameter count, and memory requirements. Experiments are conducted as functions of both feature dimensionality and sample size, and across CPU and GPU execution environments, providing a controlled, multidimensional comparison to address gaps in prior work. For the SVM-based models, QSVM consistently outperforms CSVM in accuracy, reaching $\sim$ 0.90 versus $\sim$ 0.85 at 1,000 samples, with a higher computational cost. A feature count of 10 qubits and a sample size in the range of 200 -- 500 emerge as practical operating points that balance accuracy and runtime. For the neural network models, CCNN and QCNN achieve comparable classification accuracy, both exceeding 0.96 at 64 features and 60,000 samples, yet QCNN offers substantially superior parameter and memory efficiency, requiring $\sim$ 94\% fewer parameters and $\sim$ 75\% less memory than CCNN at higher feature counts, while incurring higher runtime. Across both model families, quantum models consistently outperform classical models by greater margins in accuracy as feature dimensionality or sample size increases.
- Abstract（参考訳）: コンピュータビジョンの急速な成長と、ますます複雑な画像認識タスクは、量子コンピューティングを新たなパラダイムとして探求する動機となる、古典的な機械学習モデルの基本的な計算制限を明らかにしている。
本稿では,古典的サポートベクトルマシン(CSVM)と量子支援ベクトルマシン(QSVM)とディープニューラルネットワークモデル,古典的畳み込みニューラルネットワーク(CCNN)と量子畳み込みニューラルネットワーク(QCNN)の両モデルについて,分類精度,計算ランタイム,パラメータ数,メモリ要求の4つの特性で評価する。
実験は、特徴次元とサンプルサイズの両方の機能として、CPUとGPUの実行環境間で行われ、以前の作業におけるアドレスギャップに対する制御された多次元比較を提供する。
SVMベースのモデルでは、QSVMはCSVMの精度を常に上回り、1,000サンプルでは$\sim$ 0.90、$\sim$ 0.85、計算コストは高い。
10キュービットのフィーチャカウントと200-500の範囲のサンプルサイズは、精度とランタイムのバランスをとる実用的な運用ポイントとして現れます。
ニューラルネットワークモデルでは、CCNNとQCNNは、64のフィーチャと6万のサンプルの両方で0.96を超え、同等の分類精度を達成しているが、QCNNは、より優れたパラメータとメモリ効率を提供し、より少ないパラメータで$\sim$94\%、高機能で$\sim$75\%、高いランタイムで$\sim$75\%のメモリを必要とする。
両方のモデルファミリ全体において、量子モデルは特徴次元やサンプルサイズが増加するにつれて、古典的モデルよりも高いマージンの精度で一貫して優れる。
関連論文リスト
- Quantum Machine Learning for particle scattering entanglement classification [0.0]
絡み合いは、粒子散乱過程における量子相関を特徴づける重要な量である。
本研究では,フェミオン密度プロファイルが,問題を分類タスクとしてフレーミングすることで,絡み合うためのプロキシとして機能するかどうかを検討する。
量子畳み込みニューラルネットワーク(QCNN)は、より高速な収束と低分散で、一貫して競争力や優れた精度を達成する。
論文 参考訳（メタデータ） (2026-04-07T15:13:38Z) - Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints [2.3895835682351287]
量子畳み込みニューラルネットワーク(CNN)は、古典的アプローチを上回る可能性を秘めている。
本稿では,入力次元を大幅に削減する符号化方式を提案する。
我々はIBMのHeron r2量子プロセッサの実験を検証し、分類精度は96.08%である。
論文 参考訳（メタデータ） (2025-05-09T11:09:52Z) - Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。
適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。
本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
論文 参考訳（メタデータ） (2024-02-01T15:13:26Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - 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) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳（メタデータ） (2020-02-03T04:11:13Z)
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。