論文の概要: Research progress on quantum neural networks and quantum machine learning

• arxiv url: http://arxiv.org/abs/2605.30724v1
• Date: Fri, 29 May 2026 01:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.329157
• Title: Research progress on quantum neural networks and quantum machine learning
• Title（参考訳）: 量子ニューラルネットワークと量子機械学習の研究動向
• Abstract要約: 量子ニューラルネットワーク(QNN)は、量子力学のユニークな原理を活用して機械学習アルゴリズムの能力を強化する、新たな研究分野である。 この調査では、完全連結QNN、量子畳み込みニューラルネットワーク、同変QNN、量子ホップフィールドネットワーク、量子ボルツマンマシン、量子貯水池コンピューティング、量子強化学習のための複合ネットワーク、量子生成学習、量子転送学習など、様々なQNNアプローチを調査した。
• 参考スコア（独自算出の注目度）: 7.3554507547962915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning holds fundamental computational significance due to the increasing demand for efficient solutions to complex tasks in data analysis, pattern recognition, and optimization, which are essential for addressing the multifaceted challenges of modern society. As the volume of data proliferates at an unprecedented rate, the need for more powerful machine learning strategies becomes increasingly evident. Quantum neural networks (QNNs) represent an emerging and transformative research field that seeks to harness the unique principles of quantum mechanics to enhance the capabilities of machine learning algorithms. This survey examines various QNN approaches, including fully connected QNNs, quantum convolutional neural networks, equivariant QNNs, quantum Hopfield networks, quantum Boltzmann machines, quantum reservoir computing, and composite networks for quantum reinforcement learning, quantum generative learning, and quantum transfer learning. We summarize the relevant investigations on their performance, including learning accuracy, training time, and resource requirements, etc. Each QNN type has unique strengths and weaknesses, offering diverse solutions for different applications.
• Abstract（参考訳）: 機械学習は、データ分析、パターン認識、最適化における複雑なタスクに対する効率的なソリューションの需要が増大し、現代の社会の多面的課題に対処するために欠かせない、基本的な計算上の重要性を持っている。 データ量が前例のない速度で増加するにつれ、より強力な機械学習戦略の必要性がますます顕在化している。 量子ニューラルネットワーク(QNN)は、量子力学のユニークな原理を活用して機械学習アルゴリズムの能力を向上しようとする、新しくて変革的な研究分野である。 この調査では、完全連結QNN、量子畳み込みニューラルネットワーク、同変QNN、量子ホップフィールドネットワーク、量子ボルツマンマシン、量子貯水池コンピューティング、量子強化学習のための複合ネットワーク、量子生成学習、量子転送学習など、様々なQNNアプローチを調査した。 学習精度、トレーニング時間、リソース要件など、それらのパフォーマンスに関する関連する調査を要約する。 各QNNタイプには独自の長所と短所があり、さまざまなアプリケーションに対して多様なソリューションを提供する。

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)
• 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)
• Artificial intelligence for representing and characterizing quantum systems [49.29080693498154]
  大規模量子システムの効率的なキャラクタリゼーションは、量子科学における中心的な課題である。 人工知能(AI)の最近の進歩は、この課題に対処するための強力なツールとして現れている。 本稿では、これらのAIパラダイムが量子システム評価における2つのコアタスクにどのように貢献するかを論じる。
  論文  参考訳（メタデータ） (2025-09-05T08:41:24Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Comprehensive Survey of QML: From Data Analysis to Algorithmic Advancements [2.5686697584463025]
  量子機械学習(Quantum Machine Learning)は、量子コンピューティングと機械学習の交差点におけるパラダイムシフトである。 この分野は、ハードウェアの制約、ノイズ、量子ビットコヒーレンス(英語版)の制限など、重大な課題に直面している。 この調査は、実用的な実世界のアプリケーションに向けて量子機械学習を進めるための基盤となるリソースを提供することを目的としている。
  論文  参考訳（メタデータ） (2025-01-16T13:25:49Z)
• 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)
• Shedding Light on the Future: Exploring Quantum Neural Networks through Optics [3.1935899800030096]
  量子ニューラルネットワーク(QNN)は、急速に発展する量子機械学習分野において、新興技術として重要な役割を果たす。 本稿では,QNNの概念とその物理的実現,特に量子光学に基づく実装について概説する。
  論文  参考訳（メタデータ） (2024-09-04T08:49:57Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Towards Fault-Tolerant Quantum Deep Learning: Designing and Analyzing Quantum ResNet and Transformer with Quantum Arithmetic and Linear Algebra Primitives [5.89456905230997]
  我々は,深層アーキテクチャ構築における2つの課題と,データ読み込みと測定の禁止的オーバーヘッドを克服する枠組みを導入する。 本フレームワークは,多層量子ResNetおよび量子トランスモデルの設計を可能にする。 我々のアプローチの基盤は、このモジュラリティを促進する新しいデータ転送プロトコルであるDisdisrete Chebyshev Decomposition (DCD)である。
  論文  参考訳（メタデータ） (2024-02-29T08:12:02Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Complex Quantum Networks: a Topical Review [0.9217021281095907]
  複雑量子ネットワークの進展分野の概観 重要なネットワーク特性を推測する新しい世代の量子アルゴリズム。 主な研究線は、ネットワーク一般化、量子応用、量子一般化、量子強化である。
  論文  参考訳（メタデータ） (2023-11-27T19:13:19Z)
• Entanglement-Assisted Quantum Networks: Mechanics, Enabling Technologies, Challenges, and Research Directions [66.27337498864556]
  本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。 ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。 また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
  論文  参考訳（メタデータ） (2023-07-24T02:48:22Z)
• Deep-Q Learning with Hybrid Quantum Neural Network on Solving Maze Problems [1.4801853435122907]
  本研究は,ゲートベース量子コンピューティングモデル上でのトレーニング可能な変分量子回路(VQC)を用いて,モデルフリー強化学習問題における量子利得の可能性について検討する。 我々は、最新のQiskitとPyTorchフレームワークに基づいて、新しいハイブリッド量子ニューラルネットワークを設計、訓練した。 我々の研究は、迷路の問題を解決するための深層量子学習の可能性や、他の強化学習の問題に関する洞察を提供する。
  論文  参考訳（メタデータ） (2023-04-20T08:32:58Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。