Potential and limitations of random Fourier features for dequantizing quantum machine learning

要約

量子機械学習は、間違いなく、近期量子デバイスの最も調査されたアプリケーションの1つです。
パラメーター化された量子回路（PQC）が学習モデルとして使用されている分散量子機械学習の概念に多くの焦点が置かれています。
これらのPQCモデルには、ランダムフーリエ機能（RFF）を介して効率的な不安定化に適している可能性があることを示唆する豊富な構造があります。
この作業では、RFFが実際に回帰のために変分量機械学習の効率的な不安定化を提供する必要かつ十分な条件を確立します。
PQCアーキテクチャ設計のための具体的な提案を作成し、回帰問題に必要な構造を特定して、PQCベースの最適化を介して潜在的な量子優位性を認める構造を特定するために、これらの洞察に基づいて構築します。

要約(オリジナル)

Quantum machine learning is arguably one of the most explored applications of near-term quantum devices. Much focus has been put on notions of variational quantum machine learning where parameterized quantum circuits (PQCs) are used as learning models. These PQC models have a rich structure which suggests that they might be amenable to efficient dequantization via random Fourier features (RFF). In this work, we establish necessary and sufficient conditions under which RFF does indeed provide an efficient dequantization of variational quantum machine learning for regression. We build on these insights to make concrete suggestions for PQC architecture design, and to identify structures which are necessary for a regression problem to admit a potential quantum advantage via PQC based optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google