Addressing the Current Challenges of Quantum Machine Learning through Multi-Chip Ensembles

要約

Quantum Machine Learning（QML）は、多様なドメイン全体で計算上の課題を解決するための大きな約束を抱いています。
ただし、その実用的な展開は、騒音、限られたスケーラビリティ、変分量子回路（VQCS）の訓練可能性の問題を含む、ノイズの多い中間スケール量子（NISQ）デバイスの制限によって制約されます。
マルチチップアンサンブルVQCフレームワークを紹介します。これは、スケーラビリティ、トレーニング性、ノイズの回復力を高めるために、より小さな量子チップ全体で高次元の計算を分割します。
このアプローチは、不毛のプラトーを軽減し、量子誤差バイアスと分散を減らし、制御されたエンタングルメントを通じて堅牢な一般化を維持することを示します。
現在および新たな量子ハードウェアに合わせて設計されたフレームワークは、標準のベンチマークデータセット（MNIST、FashionMnist、CIFAR-10）およびReal World Dataset（Physionet EEG）の実験によって検証されているように、短期デバイスでスケーラブルなQMLを有効にするための強力な可能性を示しています。

要約(オリジナル)

Quantum Machine Learning (QML) holds significant promise for solving computational challenges across diverse domains. However, its practical deployment is constrained by the limitations of noisy intermediate-scale quantum (NISQ) devices, including noise, limited scalability, and trainability issues in variational quantum circuits (VQCs). We introduce the multi-chip ensemble VQC framework, which partitions high-dimensional computations across smaller quantum chips to enhance scalability, trainability, and noise resilience. We show that this approach mitigates barren plateaus, reduces quantum error bias and variance, and maintains robust generalization through controlled entanglement. Designed to align with current and emerging quantum hardware, the framework demonstrates strong potential for enabling scalable QML on near-term devices, as validated by experiments on standard benchmark datasets (MNIST, FashionMNIST, CIFAR-10) and real world dataset (PhysioNet EEG).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google