[論文レビュー] A Leap among Entanglement and Neural Networks: A Quantum Survey.

Fabio Valerio Massoli, Lucia Vadicamo+2 more|arXiv (Cornell University)|Jul 6, 2021

Quantum Computing Algorithms and Architecture参考文献 183被引用数 5

ひとこと要約

この論文は、ゲートモデルとアディアバティック量子計算のパラダイムにおける、量子パーセプトロンと量子ニューラルネットワークを焦点として、量子コンピューティングとニューラルネットワークの統合を調査する。基礎的な量子コンピューティングの概念を提示し、現在の実装を比較し、量子機械学習の前線的アプローチを分析する。

ABSTRACT

In recent years, Quantum Computing witnessed massive improvements both in terms of resources availability and algorithms development. The ability to harness quantum phenomena to solve computational problems is a long-standing dream that has drawn the scientific community's interest since the late '80s. In such a context, we pose our contribution. First, we introduce basic concepts related to quantum computations, and then we explain the core functionalities of technologies that implement the Gate Model and Adiabatic Quantum Computing paradigms. Finally, we gather, compare and analyze the current state-of-the-art concerning Quantum Perceptrons and Quantum Neural Networks implementations.

研究の動機と目的

• 量子機械学習に関連する基礎的な量子コンピューティングの概念を包括的に概説すること。
• ゲートモデルとアディアバティック量子コンピューティングのパラダイムのコアな機能を説明すること。
• 量子パーセプトロンと量子ニューラルネットワークの最新の実装を収集・比較・分析すること。
• 量子ニューラルネットワーク開発における現在の課題と研究方向性を特定すること。

提案手法

• 重ね合わせ、もつれ、量子ゲートを含む、基礎的な量子コンピューティングの原則を紹介する。
• ゲートモデルとアディアバティック量子コンピューティングの動作メカニズムを説明し、その違いと応用分野を強調する。
• 既存の量子パーセプトロンと量子ニューラルネットワークのアーキテクチャをレビューし、設計と実装に焦点を当てる。
• スケーラビリティ、コherー二ンス、計算効率の観点から、現在の実装を比較する。
• 量子ニューラルネットワークに用いられる量子アルゴリズムと回路設計を分析する。
• 研究結果を統合し、実用的応用における量子ニューラルネットワークの成熟度と可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 量子パーセプトロンと量子ニューラルネットワークは、アーキテクチャおよび機能面でどのように異なるか？
• RQ2 現在の量子ハードウェア上で量子ニューラルネットワークを実装するにあたり、主な課題は何か？
• RQ3 ゲートモデルとアディアバティック量子コンピューティングのパラダイムは、量子ニューラルネットワーク開発をどのように支援または制限するか？
• RQ4 最も有望な現在の量子ニューラルネットワークの実装は何か。それらの制限要因は何か？
• RQ5 もつれは、古典的アプローチと比較して、量子ニューラルネットワークの性能と表現力にどのように寄与するか？

主な発見

• 量子パーセプトロンと量子ニューラルネットワークは、量子機械学習のための実用的枠組みとして登場しているが、まだ初期段階にとどまっている。
• ゲートモデル量子コンピューティングは、ゲートレベルでの精密な制御を可能にし、量子ニューラルネットワーク回路の実装に適している。
• アディアバティック量子コンピューティングは、最適化ベースの学習タスクに特に適した、量子ニューラルネットワークの代替的アプローチを提供する。
• 現在の実装は、キュービットのコherー二ンス、ゲートの忠実度、スケーラビリティの制限により、顕著な制約に直面している。
• もつれは、古典的対比物と比較して、量子ニューラルネットワークの表現力の向上に重要な役割を果たす。
• 分野には標準化されたベンチマークやハードウェア最適化設計が不足しており、今後の研究とツール開発の必要性が示唆される。