[論文レビュー] Classification with Quantum Machine Learning: A Survey

Zainab Abohashima, Mohamed Elhoseny+2 more|arXiv (Cornell University)|Jun 22, 2020

Quantum Computing Algorithms and Architecture参考文献 78被引用数 68

ひとこと要約

この論文は、最先端の量子機械学習（QML）分類研究を概観し、量子指向の分類スキーム、データエンコード手法、およびQCのサブルーチンを提案して、古典MLの性能を向上させる。

ABSTRACT

Due to the superiority and noteworthy progress of Quantum Computing (QC) in a lot of applications such as cryptography, chemistry, Big data, machine learning, optimization, Internet of Things (IoT), Blockchain, communication, and many more. Fully towards to combine classical machine learning (ML) with Quantum Information Processing (QIP) to build a new field in the quantum world is called Quantum Machine Learning (QML) to solve and improve problems that displayed in classical machine learning (e.g. time and energy consumption, kernel estimation). The aim of this paper presents and summarizes a comprehensive survey of the state-of-the-art advances in Quantum Machine Learning (QML). Especially, recent QML classification works. Also, we cover about 30 publications that are published lately in Quantum Machine Learning (QML). we propose a classification scheme in the quantum world and discuss encoding methods for mapping classical data to quantum data. Then, we provide quantum subroutines and some methods of Quantum Computing (QC) in improving performance and speed up of classical Machine Learning (ML). And also some of QML applications in various fields, challenges, and future vision will be presented.

研究の動機と目的

• QML分類における最先端の概要とその動機を要約する。
• 量子領域における分類スキームを提案する。
• 古典データを量子データへMappingする方法（エンコーディング）を検討する。
• MLの速度や性能を向上させる量子サブルーチンとQC手法を検討する。
• さまざまな分野での適用、課題、および今後のQML分類研究の展望を明らかにする。

提案手法

• 量子世界における分類スキームを提示する。
• 古典データを量子データへマッピングするエンコーディング手法を検討する。
• MLの性能と速度を改善する量子サブルーチンとQC手法を提供する。
• 最近のQML分類研究の動向と約30件の公開論文を調査する。
• QML分類における課題と今後の方向性を論じる。

実験結果

リサーチクエスチョン

• RQ1 分類のための古典データを量子表現にエンコードする効果的な方法は何か？
• RQ2 古典ML分類を加速または改善できる量子サブルーチンや量子計算技法は何か？
• RQ3 QML分類研究の現在の状況と主要な動向は何か？
• RQ4 QML分類の主な課題と今後の方向性は何か？

主な発見

• 本調査は最近のQML分類研究とおおよそ30件の公表物を網羅している。
• 提案された量子分類スキームについて議論されている。
• 古典データを量子データへマッピングするエンコーディング手法がレビューされている。
• 量子サブルーチンとQC手法がMLの性能と速度の向上に寄与することが特定されている。
• さまざまな分野での適用、課題、および今後の展望が提示されている。