[論文レビュー] Systematic Literature Review: Quantum Machine Learning and its applications

David Peral García, Juan Cruz-Benito+1 more|arXiv (Cornell University)|Jan 11, 2022

Quantum Computing Algorithms and Architecture被引用数 47

ひとこと要約

論文は2017年から2023年までの量子機械学習アルゴリズムとその応用に関する文献をレビューし、実装、領域、およびハードウェアの制約を強調しています。

ABSTRACT

Quantum computing is the process of performing calculations using quantum mechanics. This field studies the quantum behavior of certain subatomic particles for subsequent use in performing calculations, as well as for large-scale information processing. These capabilities can give quantum computers an advantage in terms of computational time and cost over classical computers. Nowadays, there are scientific challenges that are impossible to perform by classical computation due to computational complexity or the time the calculation would take, and quantum computation is one of the possible answers. However, current quantum devices have not yet the necessary qubits and are not fault-tolerant enough to achieve these goals. Nonetheless, there are other fields like machine learning or chemistry where quantum computation could be useful with current quantum devices. This manuscript aims to present a Systematic Literature Review of the papers published between 2017 and 2023 to identify, analyze and classify the different algorithms used in quantum machine learning and their applications. Consequently, this study identified 94 articles that used quantum machine learning techniques and algorithms. The main types of found algorithms are quantum implementations of classical machine learning algorithms, such as support vector machines or the k-nearest neighbor model, and classical deep learning algorithms, like quantum neural networks. Many articles try to solve problems currently answered by classical machine learning but using quantum devices and algorithms. Even though results are promising, quantum machine learning is far from achieving its full potential. An improvement in the quantum hardware is required since the existing quantum computers lack enough quality, speed, and scale to allow quantum computing to achieve its full potential.

研究の動機と目的

• 文献（2017-2023）で使用される量子機械学習アルゴリズムを特定し分類する。
• これらのアルゴリズムがどのように実装されているか（回路、アンサッツ、ハイブリッド）とその適用分野を分析する。
• QML手法を評価する際に使用される指標と実験設定（シミュレータ対実機デバイス）を評価する。
• 量子機械学習の潜在能力を制限するハードウェアおよび方法論的課題を論じる。
• 再現可能なレビューのワークフローと調査対象となった論文のカタログを提供する。

提案手法

• 本研究を計画・実施・報告する際、Systematic Literature Reviewのガイドライン（Kitchenham ら）に従う。
• IEEE Xplore, Web of Science, Science Direct の複数データベースと IBM Quantum Network Papers を、キーワード 'quantum machine learning', 'quantum deep learning', 'quantum neural network' を用いて検索する。
• 含有・除外基準および品質基準（目的、実装された解決策、結果、使用された量子回路）を適用して研究を選択する。
• 研究特定にはPRISMAダイアグラムを使用し、レビュー過程の再現性にはGitHubを用いる。
• Parsifalでトレーサビリティ管理を行い、Mendeleyで文献管理を行う。

実験結果

リサーチクエスチョン

• RQ1 量子機械学習研究で使用されているアルゴリズムのタイプは何か？
• RQ2 研究はハイブリッドか純粋な量子アルゴリズムを用いているか？
• RQ3 文献に報告された量子機械学習の適用分野は何か？
• RQ4 アルゴリズムの性能を評価するためにどの指標が使用され、どの値が報告されているか？
• RQ5 実験はシミュレータ上か実機量子デバイス上のどちらで実施されているか？

主な発見

• 本レビューは量子機械学習技術とアルゴリズムを用いた94件の記事を特定した。
• 主なアルゴリズムのタイプには古典的MLの量子実装（例：SVM、k-NN）と量子ニューラルネットワークのような古典的ディープラーニングのアナログが含まれる。
• 画像分類が顕著な応用領域として浮上している。
• 有望である一方で、現時点の量子機械学習は量子ビットの品質、速度、スケールに関するハードウェア制約に直面している。
• 実際の量子ハードウェアでの結果を報告する研究は少なく、多くはシミュレーションやハイブリッドアプローチに依存している。
• 研究は、量子ハードウェアの改善とスケーラブルな量子回路設計の必要性を強調している。