MAQA: A Quantum Framework for Supervised Learning

要約

量子機械学習には、従来の機械学習方法を改善し、古典的なコンピューティング パラダイムによって課せられた主な制限のいくつかを克服する可能性があります。
ただし、量子リソースを使用してパターン認識タスクを解決することの実際的な利点はまだ実証されていません。
この作業は、量子計算の利点を利用した、多数の古典的な教師あり機械学習アルゴリズムの出力を再現できる、普遍的で効率的なフレームワークを提案しています。
提案されたフレームワークは、複数の多様な機能を組み合わせて典型的な教師あり学習の問題を解決できることから、Multiple Aggregator Quantum Algorithm (MAQA) と名付けられました。
その一般的な定式化では、MAQA は、アンサンブル アルゴリズムやニューラル ネットワークなど、複数の機能を集約するスキームに分類されるすべてのモデルの量子対応物として採用される可能性があります。
計算の観点から、提案されたフレームワークは、対応する量子回路の深さを線形的に増加させるという犠牲を払って、入力の指数関数的に多数の異なる変換を生成することを可能にします。
したがって、MAQA は、古典的な方法よりも優れた計算上の利点を備えた量子機械学習の可能なアプリケーションの範囲を広げるために、かなりの記述力を持つモデルを生成します。
2 番目の意味のある追加として、提案されたフレームワークをハイブリッド量子古典およびフォールトトレラント量子アルゴリズムとして採用することについて説明します。

要約(オリジナル)

Quantum Machine Learning has the potential to improve traditional machine learning methods and overcome some of the main limitations imposed by the classical computing paradigm. However, the practical advantages of using quantum resources to solve pattern recognition tasks are still to be demonstrated. This work proposes a universal, efficient framework that can reproduce the output of a plethora of classical supervised machine learning algorithms exploiting quantum computation’s advantages. The proposed framework is named Multiple Aggregator Quantum Algorithm (MAQA) due to its capability to combine multiple and diverse functions to solve typical supervised learning problems. In its general formulation, MAQA can be potentially adopted as the quantum counterpart of all those models falling into the scheme of aggregation of multiple functions, such as ensemble algorithms and neural networks. From a computational point of view, the proposed framework allows generating an exponentially large number of different transformations of the input at the cost of increasing the depth of the corresponding quantum circuit linearly. Thus, MAQA produces a model with substantial descriptive power to broaden the horizon of possible applications of quantum machine learning with a computational advantage over classical methods. As a second meaningful addition, we discuss the adoption of the proposed framework as hybrid quantum-classical and fault-tolerant quantum algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google