[论文解读] 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 9

一句话总结

这个综述定义并分类量子启发式机器学习（QiML），回顾其主要方法（去量子化算法、张量网络，以及模拟量子变分方法）、应用、局限性和未来方向。

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.

研究动机与目标

• 给出一个具体、明确的定义，以容纳多种研究趋势的 QiML。
• 将 QiML 方法分类，并按底层技术和灵感来源组织。
• 调研实际应用并识别 QiML 已应用的任务。
• 讨论 QiML 在实践中的当前限制因素并与经典基准进行比较。
• 提出 QiML 未来方向和研究机会。

提出的方法

• 对 2017–2023 年的 QiML 文献进行系统综述。
• 提出一个综合性的 QiML 定义，并将其置于更广泛的 QML 分类（CC、QC、CQ、QQ）之中。
• 将 QiML 技术分为三大类：去量子化算法、张量网络，以及量子变分算法模拟，以及其他 QiML 方法。
• 分析实际应用与经验结果，强调与经典方法的比较。
• 在状态准备与 L2-norm 采样假设下，为在 QML 与经典 ML 之间进行公平比较勾勒指南。

实验结果

研究问题

• RQ1 何谓量子启发式机器学习，应该如何定义和分类？
• RQ2 QiML 的主要技术有哪些，实际应用如何进行？
• RQ3 QiML 的实际应用有哪些，在哪些领域？
• RQ4 当前的局限性和瓶颈是什么，阻碍 QiML 部署？
• RQ5 QiML 最有前景的未来方向和研究机会有哪些？

主要发现

• QiML 常被归类于经典数据/经典处理（CC）象限，但其灵感来自量子概念。
• 去量子化算法揭示了由于状态准备假设，在实践中没有实现量子加速，导致具有可比性能的经典类比。
• 张量网络方法和去量子化 QSVT 框架在避免量子硬件约束的同时提升或保持性能。
• 在 QML 与经典 ML 之间进行公平基准测试，需要将状态准备假设与等效的经典采样模型（例如 L2-范数采样）对齐。
• 综述记录了实际应用，并指出 QiML 研究正在蓬勃发展，但相对于更广泛的 QML 文献仍然较少被探索。
• 提出一个具体的 QiML 定义，以减少歧义并改善领域内的沟通。