[論文レビュー] Quantum Deep Learning: A Comprehensive Review

Yanjun Ji, Zhao-Yun Chen+11 more|arXiv (Cornell University)|Feb 26, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

この論文は量子ディープラーニング（QDL）を定義し、4つのパラダイム分類（ハイブリッド量子古典モデル、量子ディープニューラルネット、DLプリミティブのための量子アルゴリズム、量子インスパイアされた古典アルゴリズム）を提示し、現実的なリソース制約下での量子優位性に対する批判的視点をもって、基礎、アーキテクチャ、実装、応用を調査する。

ABSTRACT

Quantum deep learning (QDL) explores the use of both quantum and quantum-inspired resources to determine when deep learning's core capabilities, such as expressivity, generalization, and scalability, can be enhanced based on specific resource constraints. Distinct from broader quantum machine learning, QDL emphasizes compositional depth at the pipeline level and the integration of quantum or quantum-inspired components within end-to-end workflows. This review provides an operational definition of QDL and introduces a taxonomy comprising four primary paradigms: hybrid quantum-classical models, quantum deep neural networks, quantum algorithms for deep learning primitives, and quantum-inspired classical algorithms. Theoretical principles are connected to advanced architectures, software toolchains, and experimental demonstrations across superconducting, trapped-ion, photonic, semiconductor spin, and neutral-atom systems, as well as quantum annealers. Claims of quantum advantage are critically assessed by distinguishing provable complexity-theoretic separations from empirical observations. The analysis characterizes trade-offs between model expressivity, trainability, and classical simulability, while systematically detailing the bottlenecks imposed by optimization landscapes, input-output access models, and hardware constraints. Applications are surveyed in domains encompassing image classification, natural language processing, scientific discovery, quantum data processing, and quantum optimal control, underscoring fair benchmarking against optimized classical counterparts and a comprehensive assessment of resource requirements. This review serves as a tutorial entry point for graduate students while guiding readers to specialized literature. It concludes with a verification-aware roadmap to transition QDL from near-term demonstrations to scalable and fault-tolerant implementations.

研究の動機と目的

• QDLの運用定義と4つの主要パラダイムの統一的分類を提供する。
• QDLに関連する理論、アーキテクチャ、ソフトウェアツールチェーン、ハードウェアプラットフォームを統合する。
• リソースモデルとベンチマーク手法を明示した上で、量子優位性の主張を批判的に評価する。
• 近期デモからフォールトトレラントでスケーラブルなQDL実装へのロードマップを概説する。

提案手法

• 学習パイプラインレベルの組成的深さと明示的リソースモデルを強調してQDLを定義する。
• QDLを4つのパラダイムに分類する：量子インスパイアされた古典アルゴリズム、ハイブリッド量子-古典モデル、DLプリミティブのための量子アルゴリズム、量子ディープニューラルネットワーク。
• データ符号化戦略、PQCアーキテクチャ、エンドツーエンドのハイブリッド量子-古典最適化ループを調査する。
• ハードウェアプラットフォーム（超伝導、イオン traps、フォトニクス、ニュートラルアトム等）、ソフトウェアツールチェーン、実験的デモをレビューする。
• 理論的限界、訓練性の問題（ barren plateaus など）、古典的ベースラインとの公正なベンチマークを論じる。
• 現実的な制約下でQDL実装を評価する五層の実装スタックと四本柱のベンチマークプロトコルを提案する。

実験結果

リサーチクエスチョン

• RQ1 現実的なアクセス、ノイズ、ベンチマークの制約の下でエンドツーエンドの量子有用性が生存する体制は何か。
• RQ2 QDLをどのように定義・分類すべきか、分断された文献を統合するには。
• RQ3 表現力、訓練性、古典的シミュレーション可能性の間のトレードオフはQDLアーキテクチャでどのようになるか。
• RQ4 最適化された古典的ベースラインと資源対応評価との公正な比較を保証するベンチマーク慣行は何か。
• RQ5 Near-termデモからフォールトトレラント実装へのQDLのロードマップはどうなるか。

主な発見

• QDLは、階層的深さを持つ組成的学習アーキテクチャとして定義され、少なくとも1つの量子または量子インスパイアされたコンポーネントが目的または更新ルールの中心となっている。
• QDLには4つのパラダイムが存在する：量子インスパイアされた古典アルゴリズム、ハイブリッド量子-古典モデル、DLプリミティブのための量子アルゴリズム、量子ディープニューラルネットワークで、量子成分の中心性が高まる順に並べられている。
• エンドツーエンドの評価には明示的なリソース契約と最適化された古典ベースラインに対する公正なベンチマーキングが必要である。
• ハードウェアとソフトウェアの成熟はNISQヒューリスティクスからフォールトトレラント領域へと移行を促進しており、複数のプラットフォームでエンコードされた論理量子ビットと誤り訂正の進展が見られる。
• 現実的な制約の下でQDLの性能を評価するための厳密な五層実装スタックと四本柱ベンチマークプロトコルを提案する。