Quantum-Assisted Simulation: A Framework for Designing Machine Learning Models in the Quantum Computing Domain

要約

機械学習 (ML) モデルは、履歴データを使用してトレーニングされ、新しい未知のデータを分類します。
しかし、従来のコンピューティング リソースでは、一般にビッグ データとして知られる膨大な量のデータを妥当な時間枠内で処理するのが難しいことがよくあります。
量子コンピューティング (QC) は、情報処理への新しいアプローチを提供します。
量子アルゴリズムには、古典的なコンピューティングよりも指数関数的に高速に古典的なデータを処理できる可能性があります。
量子機械学習 (QML) アルゴリズムを量子力学ドメインにマッピングすることで、データ処理速度の飛躍的な向上、リソース要件の削減、精度と効率の向上を実現できる可能性があります。
この記事では、QC と ML の両方の分野を掘り下げ、それらの間のアイデアの相互作用、およびハードウェアの現在の機能と制限について調査します。
私たちは、量子コンピューティングの歴史を調査し、既存の QML アルゴリズムを調査し、QML アルゴリズムのシミュレーションをセットアップするための簡略化された手順を提示して、読者がアクセスしやすく理解できるようにすることを目指しています。
さらに、機械学習と量子機械学習の両方のアプローチを使用して、データセットに対してシミュレーションを実行しました。
次に、量子シミュレータを利用してそれぞれの性能を比較しました。

要約(オリジナル)

Machine learning (ML) models are trained using historical data to classify new, unseen data. However, traditional computing resources often struggle to handle the immense amount of data, commonly known as Big Data, within a reasonable timeframe. Quantum computing (QC) provides a novel approach to information processing. Quantum algorithms have the potential to process classical data exponentially faster than classical computing. By mapping quantum machine learning (QML) algorithms into the quantum mechanical domain, we can potentially achieve exponential improvements in data processing speed, reduced resource requirements, and enhanced accuracy and efficiency. In this article, we delve into both the QC and ML fields, exploring the interplay of ideas between them, as well as the current capabilities and limitations of hardware. We investigate the history of quantum computing, examine existing QML algorithms, and aim to present a simplified procedure for setting up simulations of QML algorithms, making it accessible and understandable for readers. Furthermore, we conducted simulations on a dataset using both machine learning and quantum machine learning approaches. We then proceeded to compare their respective performances by utilizing a quantum simulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google