[논문 리뷰] Classification with Quantum Machine Learning: A Survey

Zainab Abohashima, Mohamed Elhoseny외 2명|arXiv (Cornell University)|2020. 06. 22.

Quantum Computing Algorithms and Architecture참고 문헌 78인용 수 68

한 줄 요약

이 논문은 최첨단 양자 기계 학습(QML) 분류 연구를 고찰하고, 양자 지향 분류 체계, 데이터 인코딩 방법, 및 QC 서브루틴을 제시하여 고전 ML 성능을 향상시키는 것을 제안합니다.

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.

연구 동기 및 목표

• QML 분류의 최신 연구 현황과 그 동기를 요약한다.
• 양자 영역에서의 분류 체계를 제안한다.
• 고전 데이터를 양자 데이터로 매핑하는 방법(인코딩)을 논의한다.
• ML을 가속화하거나 개선하는 양자 서브루틴 및 QC 기법을 검토한다.
• 다양한 분야의 응용, 과제 및 향후 QML 분류 연구의 비전을 강조한다.

제안 방법

• 양자 세계에서의 분류 체계를 제시한다.
• 고전 데이터를 양자 데이터로 매핑하기 위한 인코딩 방법을 논의한다.
• ML 성능과 속도를 향상시키는 양자 서브루틴 및 QC 방법을 제공한다.
• 최근 QML 분류 연구와 약 30편의 논문을 조사한다.
• QML 분류의 도전 과제와 향후 방향을 논의한다.

실험 결과

연구 질문

• RQ1 분류를 위한 고전 데이터를 양자 표현으로 인코딩하는 효과적인 방법은 무엇인가?
• RQ2 고전 ML 분류를 가속화하거나 개선할 수 있는 어떤 양자 서브루틴이나 양자 컴퓨팅 기법이 있는가?
• RQ3 QML 분류 연구의 현재 현황과 주요 동향은 무엇인가?
• RQ4 QML 분류의 주요 과제와 향후 방향은 무엇인가?

주요 결과

• 본 조사는 최근 QML 분류 연구와 대략 30편의 논문을 다룬다.
• 제안된 양자 분류 체계가 논의된다.
• 고전 데이터를 양자 데이터로 매핑하기 위한 인코딩 방법이 검토된다.
• 양자 서브루틴 및 QC 기법이 ML의 성능과 속도를 향상시키는 것으로 확인된다.
• 다양한 분야의 응용과 함께 도전 과제 및 향후 비전이 제시된다.