A Quick Introduction to Quantum Machine Learning for Non-Practitioners

要約

この論文では、量子機械学習の概要を説明し、古典的な機械学習アプローチを改善する可能性のある量子コンピューティングの原理とアルゴリズムを使用することの潜在的な利点を探ります。
量子コンピューティングは、量子力学によって支配される粒子を計算目的に利用し、重ね合わせやもつれなどの特性を情報の表現と操作に活用します。
量子機械学習は、これらの原則を適用して古典的な機械学習モデルを強化し、ネットワーク サイズと量子ハードウェアでのトレーニング時間を削減する可能性があります。
この論文では、重ね合わせ、位相空間、もつれなどの基本的な量子力学の原理を取り上げ、これらの特性を利用する量子ゲートの概念を紹介します。
また、ニューラル ネットワークとしてトレーニング可能な量子回路を詳しく掘り下げる前に、人工ニューラル ネットワーク、勾配降下法、逆伝播などの古典的な深層学習の概念についても概説します。
問題例は量子ニューラル ネットワークの潜在的な利点を示しており、付録では詳細な導出が提供されています。
この論文は、量子力学と機械学習に慣れていない研究者が専門知識をより効率的に開発できるようにすることを目的としています。

要約(オリジナル)

This paper provides an introduction to quantum machine learning, exploring the potential benefits of using quantum computing principles and algorithms that may improve upon classical machine learning approaches. Quantum computing utilizes particles governed by quantum mechanics for computational purposes, leveraging properties like superposition and entanglement for information representation and manipulation. Quantum machine learning applies these principles to enhance classical machine learning models, potentially reducing network size and training time on quantum hardware. The paper covers basic quantum mechanics principles, including superposition, phase space, and entanglement, and introduces the concept of quantum gates that exploit these properties. It also reviews classical deep learning concepts, such as artificial neural networks, gradient descent, and backpropagation, before delving into trainable quantum circuits as neural networks. An example problem demonstrates the potential advantages of quantum neural networks, and the appendices provide detailed derivations. The paper aims to help researchers new to quantum mechanics and machine learning develop their expertise more efficiently.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google