Challenges and Opportunities in Quantum Machine Learning

要約

機械学習と量子コンピューティングの交差点である量子機械学習 (QML) は、量子材料、生化学、高エネルギー物理学への応用により、特に量子データのデータ分析を加速する可能性を秘めています。
それにもかかわらず、QML モデルのトレーニング可能性に関しては課題が残っています。
ここでは、QML の現在の方法とアプリケーションを確認します。
量子ニューラル ネットワークと量子深層学習に焦点を当てて、量子機械学習と古典的機械学習の違いを強調します。
最後に、QML による量子優位性の機会について説明します。

要約(オリジナル)

At the intersection of machine learning and quantum computing, Quantum Machine Learning (QML) has the potential of accelerating data analysis, especially for quantum data, with applications for quantum materials, biochemistry, and high-energy physics. Nevertheless, challenges remain regarding the trainability of QML models. Here we review current methods and applications for QML. We highlight differences between quantum and classical machine learning, with a focus on quantum neural networks and quantum deep learning. Finally, we discuss opportunities for quantum advantage with QML.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google