Supervised Quantum Machine Learning: A Future Outlook from Qubits to Enterprise Applications

要約

監視された量子機械学習（QML）は、量子リソースを使用してモデルトレーニングと推論をサポートすることを目指して、量子コンピューティングと古典的な機械学習の交差を表します。
このペーパーでは、ハイブリッド量子クラシックワークフローとともに、変分量子回路、量子ニューラルネットワーク、量子カーネル法などの方法に焦点を当てた、監視されたQMLの最近の開発をレビューします。
量子優位性の部分的な適応症を示す最近の実験研究を検討し、ノイズ、不毛のプラトー、スケーラビリティの問題、および古典的な方法に対するパフォーマンス改善の正式な証明の欠如などの現在の制限を説明します。
主な貢献は、今後10年間でQMLが応用研究およびエンタープライズシステムで使用される可能性のある条件を説明するロードマップを含む、監督されたQMLの可能な開発を概説する10年の見通し（2025-2035）です。

要約(オリジナル)

Supervised Quantum Machine Learning (QML) represents an intersection of quantum computing and classical machine learning, aiming to use quantum resources to support model training and inference. This paper reviews recent developments in supervised QML, focusing on methods such as variational quantum circuits, quantum neural networks, and quantum kernel methods, along with hybrid quantum-classical workflows. We examine recent experimental studies that show partial indications of quantum advantage and describe current limitations including noise, barren plateaus, scalability issues, and the lack of formal proofs of performance improvement over classical methods. The main contribution is a ten-year outlook (2025-2035) that outlines possible developments in supervised QML, including a roadmap describing conditions under which QML may be used in applied research and enterprise systems over the next decade.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google