[论文解读] Classification with Quantum Machine Learning: A Survey

Zainab Abohashima, Mohamed Elhoseny+2 more|arXiv (Cornell University)|Jun 22, 2020

Quantum Computing Algorithms and Architecture参考文献 78被引用 68

一句话总结

本论文综述了最先进的量子机器学习（QML）分类工作，提出一种面向量子的分类方案、数据编码方法和量子计算子程序，以提升传统机器学习的性能。

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.

研究动机与目标

• 总结 QML 分类的最新进展及其动机。
• 提出量子领域的分类方案。
• 讨论将经典数据映射到量子数据的方法（编码）。
• 回顾能加速或改进机器学习的量子子程序和量子计算技术。
• 突出应用、挑战及未来 QML 分类研究的愿景。

提出的方法

• 在量子世界中提出一个分类方案。
• 讨论将经典数据映射到量子数据的编码方法。
• 提供能够提升机器学习性能和速度的量子子程序和量子计算方法。
• 调研最近的 QML 分类工作，约 30 篇出版物。
• 讨论 QML 分类中的挑战和未来方向。

实验结果

研究问题

• RQ1 将经典数据编码成用于分类的量子表示的有效方法有哪些？
• RQ2 哪些量子子程序或量子计算技术可以加速或改进经典机器学习分类？
• RQ3 当前 QML 分类研究的格局与关键趋势是什么？
• RQ4 QML 分类的主要挑战与未来方向是什么？

主要发现

• 该综述涵盖了最近的 QML 分类工作，约 30 篇出版物。
• 讨论了一个提出的量子分类方案。
• 回顾了将经典数据映射到量子数据的编码方法。
• 指出量子子程序和量子计算技术能够提高机器学习的性能和速度。
• 展示了跨领域的应用，以及挑战和未来愿景。