論文の概要: Quantum Machine Learning for Industrial Applications

• arxiv url: http://arxiv.org/abs/2606.14822v1
• Date: Fri, 12 Jun 2026 12:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.258487
• Title: Quantum Machine Learning for Industrial Applications
• Title（参考訳）: 産業応用のための量子機械学習
• Authors: Léo Monbroussou,
• Abstract要約: 本論では,量子機械学習の理論的基礎を論じ,短期的・将来的な応用に焦点をあてる。 フォトニック回路や量子畳み込みニューラルネットワークを含むサブスペース保存QMLアルゴリズムが導入され、古典的なMLサブルーチンを模倣するように設計されている。 これらの貢献は、現実世界の応用において、近未来および将来の量子技術を利用するための理論的ロードマップを前進させることを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Machine Learning have transformed numerous industrial sectors, yet classical paradigms face fundamental limitations: rapidly growing data volumes, rising computational costs, significant energy consumption, and the physical scaling limits of conventional hardware architectures. Quantum computing has emerged as a promising computational paradigm to address these challenges, giving rise to the field of Quantum Machine Learning (QML). In this thesis, the theoretical foundations of QML are investigated, with a focus on near-term and future practical applications. Three central challenges are addressed: the trainability of variational quantum circuits, their expressivity, and their resistance to efficient classical simulation. The trainability of Hamming-weight preserving variational quantum circuits is first studied, and theoretical guarantees are established that resolve an open conjecture on the absence of barren plateaus for this circuit family. Subspace-preserving QML algorithms are then introduced, including photonic circuits and quantum convolutional neural networks, and are designed to mimic classical ML subroutines while offering polynomial quantum advantage. Finally, variational quantum circuits are analyzed as quantum Fourier models, and a framework is derived to jointly characterize expressivity and trainability, from which conditions are obtained under which quantum models provably separate from their classical counterparts. These contributions are intended to advance the theoretical roadmap for harnessing near-term and future quantum technologies in real-world applications.
• Abstract（参考訳）: 機械学習の最近の進歩は、多くの産業分野に変化をもたらしたが、古典的なパラダイムは、データボリュームの急速な増加、計算コストの増大、エネルギー消費の大幅な増加、従来のハードウェアアーキテクチャの物理的なスケーリング制限といった根本的な制限に直面している。 量子コンピューティングはこれらの課題に対処するための有望な計算パラダイムとして登場し、量子機械学習(QML)の分野を生み出している。 本論では,QMLの理論的基礎を概日的,将来的な応用に焦点をあてて検討する。 3つの中心的な課題は、変分量子回路のトレーニング可能性、その表現性、そしてそれらの効率的な古典的シミュレーションに対する耐性である。 ハミング重保存変分量子回路の訓練性はまず研究され、この回路系に対するバレンプラトーの欠如を解き明かす理論的な保証が確立された。 その後、フォトニック回路や量子畳み込みニューラルネットワークを含むサブスペース保存QMLアルゴリズムが導入され、古典的なMLサブルーチンを模倣し、多項式量子優位性を提供するように設計されている。 最後に、変分量子回路を量子フーリエモデルとして解析し、量子モデルと古典的モデルとを確実に分離する条件を得るための、表現性と訓練性を共同で特徴付ける枠組みを導出する。 これらの貢献は、現実世界の応用において、近未来および将来の量子技術を利用するための理論的ロードマップを前進させることを目的としている。

関連論文リスト

• 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)
• A Survey of Quantum Transformers: Architectures, Challenges and Outlooks [82.4736481748099]
  量子変換器は古典変換器の表現力と量子コンピューティングの計算上の利点を統合する。 2022年以降、この地域の研究は急速に拡大し、様々な技術パラダイムや初期の応用がもたらされた。 本稿では,量子トランスモデルの包括的,体系的,詳細な調査を行う。
  論文  参考訳（メタデータ） (2025-04-04T05:40:18Z)
• 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-classical simulation of quantum field theory by quantum circuit learning [0.0]
  量子回路学習を用いて量子場理論(QFT)をシミュレートする。 我々の予測は厳密な古典計算の結果と密接に一致している。 このハイブリッド量子古典的アプローチは、最先端量子デバイス上での大規模QFTを効率的にシミュレートする可能性を示している。
  論文  参考訳（メタデータ） (2023-11-27T20:18:39Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)

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。