Accuracy vs Memory Advantage in the Quantum Simulation of Stochastic Processes

要約

多くの推論シナリオは、将来の予測を行うために既知のデータから関連情報を抽出することに依存しています。
基礎となる確率過程が特定の仮定を満たす場合、その正確な古典シミュレーターと量子シミュレーターの間には直接マッピングが存在し、後者の方が漸近的に使用するメモリが少なくなります。
ここでは、これらの仮定が満たされず、モデルの精度が不完全になる運命にある場合に、そのような量子的利点が持続するかどうかを研究することに焦点を当てます。
精度とメモリ要件の間のトレードオフを研究することで、量子モデルがより少ないメモリで同じ精度を達成できること、あるいは同じメモリでより高い精度を達成できることを示します。
最後に、この結果が学習タスクに与える影響について説明します。

要約(オリジナル)

Many inference scenarios rely on extracting relevant information from known data in order to make future predictions. When the underlying stochastic process satisfies certain assumptions, there is a direct mapping between its exact classical and quantum simulators, with the latter asymptotically using less memory. Here we focus on studying whether such quantum advantage persists when those assumptions are not satisfied, and the model is doomed to have imperfect accuracy. By studying the trade-off between accuracy and memory requirements, we show that quantum models can reach the same accuracy with less memory, or alternatively, better accuracy with the same memory. Finally, we discuss the implications of this result for learning tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google