量子機械学習の現状と今後の可能性(後編)〜期待の裏付け〜

   
★AIDB会員限定Discordを開設いたしました! 会員登録/ログインの上、マイページをご覧ください。
★コンサルティングサポート(調査・研修・開発支援)をご希望の方はお問合せください。

量子機械学習(QML)は新しい成長研究分野になってきています。様々な国で多くのアプリケーションが登場しています。
量子コンピューティングの成果や進歩は今や世界で注目されています。
従来の古典的な機械学習へQMLの利点や特性をどのように適用させて行くかが求められています。

前編では、近年までに報告されているQMLアルゴリズムの紹介を中心に行ってきました。
後編は、なぜQMLが必要なのか?、QMLを導入することで解決できることや将来の可能性についてレポートします。


AIDBの全記事が読み放題のプレミアム会員登録はこちらから↓

前回の記事

量子機械学習の現状と今後の可能性(前編)

▼論文情報

タイトル:Classification with Quantum Machine Learning: A Survey
著者: Zainab Abohashimaほか3名
所属機関: Faculty of Computer Science, Nahda Universityほか(エジプト)
掲載日:2020年6月
URL:arxiv.org/abs/2006.12270

なぜ量子機械学習(QML)が求められているのか?

従来の古典的機械学習には、まだ複雑な問題やチャレンジすべき課題が残っています。
その一つとして、 学習フェーズでは、データサイズが増えるにつれてトレーニング時間とメモリ消費量が増加します。
より高い精度とパフォーマンスを低コストの学習で実現することは、古典的なアルゴリズムでは困難な作業です。特に高次元でカーネルを推定することや、固有ベクトルを特定し、複雑な最適化問題を解くことは困難とされています。

QMLは機械学習における実行時間と効率性について性能を向上させることができます。
そこに目をつけたD-wave社は、中央処理装置(CPU)、グラフィックス処理装置(GPU)、および量子アニーリングコンピューターを基盤とした「Quadrant」アルゴリズムを開発しました。
「Quadrant」アルゴリズムは、従来の深層学習やMLアルゴリズムよりもより大きなデータを低コストのトレーニングデータでパフォーマンスを向上させることができます。

つぎに、いかにして機械学習が強くなるのか、説明します。

本記事を読むにはAIDBのアカウントが必要です。


※ログイン/初回登録後、下記ボタンを押してください。







■サポートのお願い
AIDBを便利だと思っていただけた方に、任意の金額でサポートしていただけますと幸いです。






業界/カテゴリー

PAGE TOP