[論文レビュー] Quantum-Inspired Machine Learning: a Survey

Larry Huynh, Jin B. Hong+4 more|arXiv (Cornell University)|Aug 22, 2023

Quantum Computing Algorithms and Architecture被引用数 9

ひとこと要約

本調査は Quantum-Inspired Machine Learning (QiML) を定義し分類し、主な手法（デクアント化アルゴリズム、テンソルネットワーク、そしてシミュレーテッド量子変分法）、応用、制限、将来の方向性をレビューします。

ABSTRACT

Quantum-inspired Machine Learning (QiML) is a burgeoning field, receiving global attention from researchers for its potential to leverage principles of quantum mechanics within classical computational frameworks. However, current review literature often presents a superficial exploration of QiML, focusing instead on the broader Quantum Machine Learning (QML) field. In response to this gap, this survey provides an integrated and comprehensive examination of QiML, exploring QiML's diverse research domains including tensor network simulations, dequantized algorithms, and others, showcasing recent advancements, practical applications, and illuminating potential future research avenues. Further, a concrete definition of QiML is established by analyzing various prior interpretations of the term and their inherent ambiguities. As QiML continues to evolve, we anticipate a wealth of future developments drawing from quantum mechanics, quantum computing, and classical machine learning, enriching the field further. This survey serves as a guide for researchers and practitioners alike, providing a holistic understanding of QiML's current landscape and future directions.

研究の動機と目的

• QiML を複数の研究傾向を受け入れられる、具体的で明確な定義で定義する。
• QiML の手法を分類し、それらを基盤となる技術とインスピレーション源で整理する。
• 実用的な応用を調査し、QiML が適用されているタスクを特定する。
• 実務における QiML の現在の制限要因を議論し、古典的なベンチマークと比較する。
• QiML における将来の方向性と研究機会を提案する。

提案手法

• 2017–2023 年の QiML 文献を系統的に文献調査する。
• integrated definition of QiML を提案し、広義の QML タキソノミー（CC、QC、CQ、QQ）に位置付ける。
• QiML の手法を三つの主要カテゴリに整理する：デクアント化アルゴリズム、テンソルネットワーク、量子変分法シミュレーション、その他の QiML 手法。
• 実用的な応用と経験的結果を分析し、古典的手法との比較を強調する。
• 状態準備仮定と L2 ノルムサンプリング仮定を比較可能にした公正な QML と古典 ML の比較ガイドラインを概説する。

実験結果

リサーチクエスチョン

• RQ1 量子に着想を得た機械学習とは何であり、どのように定義・分類すべきか？
• RQ2 主な QiML 手法は何で、実務ではどのように適用されているか？
• RQ3 QiML の実用的応用はどこにあり、どの分野であるか？
• RQ4 現在の制限とボトルネックは QiML の展開を妨げているのか？
• RQ5 QiML にとって最も有望な将来の方向性と研究機会は何か？

主な発見

• QiML はしばしば古典データ/古典処理（CC）象限に分類されるが、量子概念に触発されている。
• デクアント化アルゴリズムは、状態準備仮定のために量子スピードアップが実際には実現されない場合を露呈し、同等の性能を示す古典的アナログへと結びつく。
• テンソルネットワークアプローチとデクアント化された QSVT フレームワークは、量子ハードウェアの制約を回避しつつ性能を向上または保持する。
• QML と古典 ML の公正なベンチマークには、状態準備仮定と同等の古典的サンプリングモデル（例：L2-norm sampling）を一致させる必要がある。
• 本調査は実用的な応用を document し、QiML 研究が盛んである一方でより広範な QML 論文と比較すると依然として十分には探求されていないと指摘している。
• 具体的な QiML の定義を提案し、分野内のあいまいさを減らしコミュニケーションの改善を図る。