[論文レビュー] A Survey on Quantum Machine Learning: Current Trends, Challenges, Opportunities, and the Road Ahead

Kamila Zaman, Alberto Marchisio+2 more|arXiv (Cornell University)|Oct 16, 2023

Quantum Computing Algorithms and Architecture被引用数 13

ひとこと要約

このサーベイは量子機械学習（QML）の現状を網羅し、基本的なQC概念、QMLアルゴリズム、データエンコード、ハードウェア/ソフトウェアツール、データセット、アプリケーション、そして将来の方向性を含むオープンな課題を扱う。

ABSTRACT

Quantum Computing (QC) claims to improve the efficiency of solving complex problems, compared to classical computing. When QC is integrated with Machine Learning (ML), it creates a Quantum Machine Learning (QML) system. This paper aims to provide a thorough understanding of the foundational concepts of QC and its notable advantages over classical computing. Following this, we delve into the key aspects of QML in a detailed and comprehensive manner. In this survey, we investigate a variety of QML algorithms, discussing their applicability across different domains. We examine quantum datasets, highlighting their unique characteristics and advantages. The survey also covers the current state of hardware technologies, providing insights into the latest advancements and their implications for QML. Additionally, we review the software tools and simulators available for QML development, discussing their features and usability. Furthermore, we explore practical applications of QML, illustrating how it can be leveraged to solve real-world problems more efficiently than classical ML methods. This survey aims to consolidate the current landscape of QML and outline key opportunities and challenges for future research.

研究の動機と目的

• 量子計算の基礎とQMLに関連する現在の課題の概観を提供する。
• 最新のQMLアルゴリズム、エンコード、データセット、ハードウェア技術、ソフトウェアツール、アプリケーションを調査する。
• QMLにおける未解決の研究課題と今後の方向性を特定する。
• QML調査の現状を比較し、本研究をその中に位置づける。

提案手法

• QMLの概念、アルゴリズム、データセット、ハードウェア、ツール、アプリケーションの系統的文献統合。
• データタイプとプロセッサに基づくQMLアプローチの分類（CC、CQ、QC、QQ）。
• 実用的なNISQ時代の解決策として、パラメータ付き量子回路（PQCs）と変分量子アルゴリズム（VQAs）の議論。
• 量子最適化技術（QAOA、VQE）とそれらがQMLにおける役割の説明。
• 量子データ操作、データセット、量子ソフトウェアツール（例：Qiskit、PennyLane） の概要。
• 現在のハードウェアの課題（ノイズ、デコヒーレンス）と誤り緩和/訂正戦略（QEC、QEM）の評価。

Figure 1: Paper outline.

実験結果

リサーチクエスチョン

• RQ1 量子計算とQML技術の現状と成熟度はどの程度か。
• RQ2 どのQMLアルゴリズム、データエンコード手法、データセットが分野を支配しており、どこで適用できるか。
• RQ3 今日、QML研究を可能にしているハードウェア、ソフトウェアツール、シミュレータは何か。
• RQ4 主要な課題（ノイズ、誤差、NISQの制約）と未来のQML研究を導く機会は何か。
• RQ5 NISQからフォールトトレラント量子計算への進化を形作る開かれた方向性とロードマップは何か。

主な発見

• QMLはCC、CQ、QC、QQのカテゴリを包含し、CQが量子モデル上の古典データの主要な焦点となっている。
• パラメータ付き量子回路（PQCs）と変分量子アルゴリズム（VQAs）は、NISQデバイスを活用する上で中心的であり、データエンコードと量子モデリングを可能にする。
• 量子最適化アプローチ（QAOA、VQE）は、組合せ最適化や物理に触発されたタスクをQML内で解く道として強調されている。
• データセット、エンコード技術、ハードウェア技術、ソフトウェアツール、シミュレータ、アプリケーションを、QMLエコシステムの不可欠な要素として強調している。
• この調査は、量子ノイズ、デコヒーレンス、誤り訂正（QEC）と誤り緩和（QEM）、およびNoisy Intermediate-Scale Quantum（NISQ）時代の制約に関連する重大な課題を扱っている。
• 将来の方向性には、より大規模な量子インフラストラクチャへの拡張、コヒーレンス時間の改善、実用的なQML展開のためのフォールトトレラント量子計算の開発が含まれる。

Figure 2: (a) Classical bit vs. (b) Quantum Bit with $\alpha$ and $\beta$ as respective amplitude values of a state-vector, creating a superposition state where $|\alpha|^{2}+|\beta|^{2}=1$ as per the Max-Born Rule. $|\alpha|^{2}$ and $|\beta|^{2}$ give the respective probability for each state.