Recent Advances for Quantum Neural Networks in Generative Learning

要約

量子コンピュータは、古典的なコンピュータの限界を超えた計算を行うことが期待される次世代デバイスである。この目標を達成するための有力な方法が、量子機械学習、特に量子生成学習である。量子力学は確率論的な性質を持っているため、量子生成学習は古典的な計算機を凌駕する可能性があると考えられています。そのため、量子物理学や計算機科学の分野では、量子生成学習モデルへの注目が高まっており、近い将来に登場する量子マシンで効率的に計算できる様々なQGLMが提案されている。本論文では、機械学習の観点から、QGLMの現在の進展について概観する。特に、量子回路誕生マシン、量子生成敵対ネットワーク、量子ボルツマンマシン、量子オートエンコーダを含むこれらのQGLMは、古典的な生成学習モデルの量子拡張と解釈している。その中で、両者の本質的な関係や基本的な差異を明らかにする。さらに、従来の機械学習と量子物理学の両分野における量子ボルツマンマシンの応用の可能性についてまとめている。最後に、QGLMの課題とさらなる研究の方向性について議論する。

要約(オリジナル)

Quantum computers are next-generation devices that hold promise to perform calculations beyond the reach of classical computers. A leading method towards achieving this goal is through quantum machine learning, especially quantum generative learning. Due to the intrinsic probabilistic nature of quantum mechanics, it is reasonable to postulate that quantum generative learning models (QGLMs) may surpass their classical counterparts. As such, QGLMs are receiving growing attention from the quantum physics and computer science communities, where various QGLMs that can be efficiently implemented on near-term quantum machines with potential computational advantages are proposed. In this paper, we review the current progress of QGLMs from the perspective of machine learning. Particularly, we interpret these QGLMs, covering quantum circuit born machines, quantum generative adversarial networks, quantum Boltzmann machines, and quantum autoencoders, as the quantum extension of classical generative learning models. In this context, we explore their intrinsic relation and their fundamental differences. We further summarize the potential applications of QGLMs in both conventional machine learning tasks and quantum physics. Last, we discuss the challenges and further research directions for QGLMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL