양자기계학습

Quantum machine learning
에 관한 일련의 기사들 중 일부
양자역학
슈뢰딩거 방정식
배경
펀더멘털
실험
제형
방정식
해석
고급주제
사이언티스트

양자 기계 학습은 기계 학습 프로그램 내에 양자 알고리즘을 통합하는 것입니다.[1][2][3][4][5][6][7][8]

이 용어의 가장 일반적인 사용은 양자 컴퓨터에서 실행되는 고전 데이터 분석을 위한 기계 학습 알고리즘, 즉 양자 향상 기계 학습을 말합니다.[9][10][11]머신 러닝 알고리즘이 엄청난 양의 데이터를 계산하는 데 사용되는 반면, 양자 머신 러닝은 큐비트와 양자 연산 또는 전문화된 양자 시스템을 활용하여 프로그램에서 알고리즘이 수행하는 계산 속도와 데이터 저장을 향상시킵니다.[12]여기에는 계산이 어려운 서브루틴이 양자 장치에 아웃소싱되는 고전 및 양자 처리를 모두 수반하는 하이브리드 방법이 포함됩니다.[13][14][15]이러한 루틴은 본질적으로 더 복잡하고 양자 컴퓨터에서 더 빨리 실행될 수 있습니다.[7]또한 양자 알고리즘은 고전적인 데이터 대신 양자 상태를 분석하는 데 사용될 수 있습니다.[16][17]

"양자 기계 학습"이라는 용어는 양자 컴퓨팅을 넘어 양자 시스템의[18][19] 상전이를 학습하거나 새로운 양자 실험을 생성하는 것과 같은 양자 실험(즉, 양자 시스템의 기계 학습)에서 생성된 데이터에 적용되는 고전적인 기계 학습 방법과도 관련이 있습니다.[20][21][22]

양자 기계 학습은 특정 물리적 시스템과 학습 시스템, 특히 신경망 사이의 방법론적 및 구조적 유사성을 탐구하는 연구 분야로도 확장됩니다.예를 들어, 양자 물리학의 일부 수학적 및 수치적 기술은 고전적 딥 러닝에 적용 가능하고 그 반대도 마찬가지입니다.[23][24][25]

게다가, 연구자들은 때때로 "양자 학습 이론"이라고 불리는 양자 정보와 관련하여 학습 이론의 더 추상적인 개념들을 조사합니다.[26][27]

양자 컴퓨팅과 머신 러닝의 분야를 결합하기 위한 네 가지 다른 접근법.[28][29]첫 번째 글자는 연구 중인 시스템이 고전적인지 양자적인지를 의미하며, 두 번째 글자는 고전적인지 양자적 정보 처리 장치가 사용되는지를 정의합니다.

양자컴퓨터를 이용한 기계학습

양자 강화 기계 학습은 기계 학습에서 작업을 해결하여 고전적인 기계 학습 기술을 개선하고 종종 신속하게 하는 양자 알고리즘을 말합니다.이러한 알고리즘은 일반적으로 양자 정보 처리를 위해 제공된 고전 데이터 세트를 양자 컴퓨터로 인코딩하는 것을 요구합니다.이어서 양자 정보 처리 루틴을 적용하고 양자 시스템을 측정하여 양자 계산 결과를 읽습니다.예를 들어, 큐비트 측정 결과는 이진 분류 작업의 결과를 보여줍니다.양자 기계 학습 알고리즘의 많은 제안들은 여전히 순수하게 이론적이고 테스트하기 위해 전면적인 보편적 양자 컴퓨터가 필요하지만, 다른 제안들은 소규모 또는 특수 목적 양자 장치에 구현되었습니다.

양자 연관 메모리 및 양자 패턴 인식

연관성(또는 콘텐츠 주소 지정 가능 메모리)은 랜덤 액세스 메모리와 같이 고정 주소가 아닌 유사성 척도를 기반으로 저장된 콘텐츠를 인식할 수 있습니다.따라서 패턴 인식의 필수적인 기계 학습 작업인 불완전한 패턴과 손상된 패턴을 모두 검색할 수 있어야 합니다.

일반적인 고전적 연관 메모리는 n개의 인공 뉴런 네트워크를 통해 실제 대칭 에너지 행렬의 상호 작용(시냅스)에 p 패턴을 저장합니다.인코딩은 원하는 패턴이 에너지 함수의 로컬 최소값이 되도록 하고 초기 구성에서 시작하여 총 에너지를 최소화하여 검색을 수행하도록 하는 것입니다.

불행하게도, 고전적 연상기억은 크로스토크 현상에 의해 심각하게 제한됩니다.패턴이 너무 많이 저장되면 가짜 메모리가 빠르게 확산되어 에너지 환경이 무질서해지고 더 이상 검색할 수 없게 됩니다.저장 가능한 패턴의 수는 일반적으로 뉴런 수의 선형 함수인 에 의해 제한됩니다

양자 연상 메모리는[2][3][4] n개의 큐비트의 힐버트 공간에 작용하는 단일 행렬 U에 패턴을 저장합니다.검색은 고정된 초기 상태를 입력과 가장 유사한 패턴에서 최고 확률 분포를 가진 원하는 패턴의 양자 중첩으로 단일 진화함으로써 실현됩니다.따라서 검색 과정은 매우 양자적인 특성에 의해 확률적입니다.그러나 양자 연상 기억은 교차 대화에서 자유로우며, 가짜 기억은 결코 생성되지 않습니다.따라서 고전적인 것보다 뛰어난 능력을 가지고 있습니다.유니터리 행렬 U의 매개 변수 수는 입니다 따라서 임의의 다항식 수의 패턴에 대해 효율적이고 가짜 메모리가 없는 양자 연상 메모리를 가질 수 있습니다.

양자 진폭을 이용한 선형대수 시뮬레이션

기계 학습을 위한 많은 양자 알고리듬은 진폭 인코딩, 즉 양자 상태의 진폭을 계산의 입력 및 출력과 연관시키는 아이디어를 기반으로 합니다.[30][31][32]의 개의 큐비트 상태가 의 개의 복잡한 진폭으로 설명되므로 이 정보 인코딩을 통해 지수적으로 압축된 표현이 가능합니다.직관적으로, 이는 이진 랜덤 변수에 대한 이산 확률 분포를 고전 벡터와 연관시키는 것에 해당합니다.진폭 인코딩에 기초한 알고리즘의 목표는 리소스가 진폭 수와 입력의 차원에서 로그 시간 복잡도에 해당하는 n 의 수에서 다항식으로 증가하는 양자 알고리듬을 공식화하는 것입니다.

이 범주의 많은 양자 기계 학습 알고리즘은 특정 조건에서 다음과 같은 선형 방정식 시스템[33](본 논문 저자의 이름을 따서 HHL이라고 함)에 대한 양자 알고리즘의 변형을 기반으로 합니다.는 행렬의 차원에서 대수적으로만 증가하는 물리적 자원의 양을 사용하여 행렬 반전을 수행합니다.이러한 조건 중 하나는 행렬에 대응하는 해밀토니안을 효율적으로 시뮬레이션할 수 있다는 것이며, 행렬이 희소하거나[34] 낮은 순위일 경우 가능하다고 알려져 있습니다.[35]참고로, 행렬 반전에 대해 알려진 고전적 알고리즘은 행렬 차원에서 2차 이상으로 증가하는 수 많은 연산(예: 2{\{\이 필요하지만, 희소 행렬로 제한되지는 않습니다.

양자 행렬 반전은 최소 제곱 선형 회귀,[31][32] 지원 벡터 기계의 최소 제곱 버전 및 [30]가우스 프로세스와 같은 선형 방정식 시스템을 해결하는 데 훈련이 감소하는 기계 학습 방법에 적용될 수 있습니다.[36]

양자 상태의 진폭으로 선형 대수 계산을 시뮬레이션하는 방법의 중요한 병목 현상은 상태 준비이며, 종종 진폭이 전체 데이터 세트의 특성을 반영하는 상태에서 양자 시스템을 초기화해야 합니다.상태 준비를 위한 효율적인 방법이 특정한 경우에 대해 알려져 있지만,[37][38] 이 단계는 작업의 복잡성을 쉽게 숨깁니다.[39][40]

VQA(VQA)

VQA는 연구자들이 양자 컴퓨터에 필요한 모든 응용 프로그램이 VQA를 사용할 것이며, 또한 VQA가 양자 우월성을 얻기 위한 기대를 충족시키는 것으로 예상하기 때문에 가장 많이 연구된 양자 알고리즘 중 하나입니다.VQA는 양자 프로세서가 양자 상태를 준비하고 측정이 이루어지고 최적화가 고전적인 컴퓨터에 의해 이루어지는 혼합 양자 고전적 접근 방식입니다.VQA는 다른 알고리즘에 비해 잡음에 강하고 수백 큐비트만으로 양자적 우위를 제공하기 때문에 NISQ에 가장 적합한 것으로 여겨집니다.연구자들은 최적화 문제를 해결하고 복잡한 시스템의 기저 상태 에너지를 찾기 위해 회로 기반 알고리즘을 연구했는데, 이는 고전적인 컴퓨터를 이용해 계산을 수행하는데 많은 시간이 필요했습니다.[41][42]

변동 양자 회로(VQC)

변동 양자 회로(PQC)는 변동 양자 알고리즘(VQA)을 기반으로 합니다. VQC는 초기 상태 준비, 양자 회로 및 측정의 세 가지 부분으로 구성됩니다.연구자들은 VQC를 광범위하게 연구하고 있습니다. VQC는 양자 계산의 힘을 사용하여 짧은 시간에 학습할 수 있으며 기존의 VQC보다 적은 파라미터를 사용하기 때문입니다.신경망에 사용되는 것과 같은 비선형 함수를 양자 회로에서 근사화할 수 있다는 것이 이론적으로나 수치적으로 입증되었습니다.VQC의 우수성으로 인해 신경망은 강화 학습 작업 및 생성 알고리즘에서 VQC로 대체되었습니다.비간섭성, 무작위 게이트 오류 및 측정 오류에 대한 양자 장치의 본질적 특성은 변동 회로의 훈련을 제한하는 높은 잠재력을 유발합니다.양자 장치에 VQC를 사용하기 전에 고전 장치에서 VQC를 훈련하면 훈련을 위한 반복 횟수를 통해 발생한 비간섭성 노이즈 문제를 극복하는 데 도움이 됩니다.[43][44][45]

양자이진분류기

패턴 재구성은 기계 학습의 중요한 작업 중 하나이며, 이진 분류는 패턴을 찾기 위한 도구 또는 알고리즘 중 하나입니다.이진 분류는 지도 학습과 비지도 학습에서 사용됩니다.양자 기계 학습에서 고전 비트는 큐비트로 변환되고 힐버트 공간에 매핑됩니다. 복잡한 값 데이터는 힐버트 공간의 장점을 사용하기 위해 양자 이진 분류기에 사용됩니다.[46][47]중첩, 얽힘, 간섭과 같은 양자 역학적 특성을 이용하여 양자 이진 분류기는 짧은 시간 내에 정확한 결과를 생성합니다.[48]

Grover 검색 기반 양자 머신 러닝 알고리즘

양자 정보 처리로 고전적인 기계 학습을 개선하기 위한 또 다른 접근법은 Grover의 검색 알고리듬에 기반한 진폭 증폭 방법을 사용하는데, 이는 고전 알고리듬에 비해 2차 속도 향상으로 비구조화된 검색 문제를 해결하는 것으로 나타났습니다.이러한 양자 루틴은 예를 들어 k-중앙값[49] 및 k-가장 가까운 이웃 알고리즘의 경우 수행할 수 있는 비구조화된 검색 작업으로 변환되는 알고리즘 학습에 사용될 수 있습니다.[9]또 다른 응용 분야는 퍼셉트론 훈련의 2차 속도 향상입니다.[50]

기계 학습 알고리즘에 사용되는 진폭 증폭의 예로는 Grover의 검색 알고리즘 최소화가 있습니다.서브루틴이 그로버의 검색 알고리즘을 사용하여 이전에 정의된 일부 요소보다 작은 요소를 찾는 경우.이 작업은 해당 요소가 있는 상태가 미리 정의된 상태보다 작은지 여부를 결정하는 오라클을 사용하여 수행할 수 있습니다.그러면 그로버의 알고리즘은 우리의 조건이 충족되는 요소를 찾을 수 있습니다.최소화는 데이터 세트의 임의 요소에 의해 초기화되며, 데이터 세트의 최소 요소를 찾기 위해 이 서브루틴을 반복적으로 수행합니다.이 최소화는 양자 k-중간자에서 특히 사용되며, k-중간자의 고전 버전에 비해 최소 / 의 속도 향상을 갖습니다. 여기서 은 데이터 포인트 수이고 은 클러스터 수입니다.[49]

진폭 증폭은 종종 양자 워크와 결합되어 동일한 2차 속도를 달성합니다.투영 시뮬레이션 프레임워크에서 강화 학습 에이전트의 성능뿐만 아니라 구글의 페이지 랭크 알고리즘을[51] 향상시키기 위해 양자 워크가 제안되었습니다.[52]

양자 강화 강화 학습

강화 학습은 지도 및 비지도 학습과 구별되는 기계 학습의 한 분야로, 양자 향상도 인정합니다.[53][52][54]양자 강화 강화 학습에서 양자 에이전트는 고전 또는 양자 환경과 상호 작용하고 때때로 행동에 대한 보상을 받으며, 이를 통해 에이전트는 행동을 조정할 수 있습니다. 즉, 더 많은 보상을 얻기 위해 무엇을 해야 하는지 학습할 수 있습니다.어떤 상황에서는 에이전트의 양자 처리 능력 때문에 [52]또는 중첩된 위치에서 환경을 탐색할 수 있기 때문에 양자 속도가 향상될 수 있습니다.[29]이러한 종류의 프로토콜의 구현은 포획된 이온[55] 및 초전도 회로의 시스템에 대해 제안되었습니다.[56]에이전트의 내부 의사 결정 시간의[52] 양자 속도 증가는 포획된 이온에서 실험적으로 입증된 [57]반면, 에이전트와 환경 사이의 완전한 일관성('양자') 상호 작용에서 학습 시간의 양자 속도 증가는 포토닉 설정에서 실험적으로 실현되었습니다.[58]

양자 어닐링

주요 기사:양자 어닐링

양자 어닐링은 주어진 후보 함수 집합에서 함수의 국소 최소값과 최대값을 결정하는 데 사용되는 최적화 기술입니다.이것은 함수의 관측치를 결정하기 위해 로컬 최소값 또는 최대값이 많은 함수를 이산화하는 방법입니다.이 프로세스는 입자가 높은 상태에서 낮은 상태로 운동 또는 전위 장벽을 통과하여 터널링하는 양자 터널링 프로세스를 통해 시뮬레이션 된 어닐링과 구별될 수 있습니다.양자 어닐링은 가중치가 동일한 시스템의 모든 가능한 상태의 중첩에서 시작됩니다.그러면 시간 의존적 슈뢰딩거 방정식은 시스템의 시간 진화를 안내하여 시간이 증가함에 따라 각 상태의 진폭에 영향을 주는 역할을 합니다.최종적으로 바닥 상태에 도달하여 시스템의 순간 해밀턴을 산출할 수 있습니다.

양자모델로서의 NISQ 회로

NISQ 장치에서 양자 회로의 깊이가 발전함에 따라 노이즈 레벨이 증가하여 훈련 모델에서 비용과 그래디언트를 정확하게 계산하는 데 상당한 어려움이 있습니다.현재 접근 가능한 양자 하드웨어에 양자 지각론과 양자 알고리즘을 사용하여 노이즈 내성을 개선할 것입니다.[citation needed]

뉴런으로 알려진 유사한 구성 요소들의 규칙적인 연결은 심지어 가장 복잡한 뇌 네트워크의 기초를 형성합니다.일반적으로 뉴런은 내부 생성물과 활성화 기능의 두 가지 동작을 가집니다.일반적으로 비선형인 활성화 함수와는 달리, 내부 생성물은 선형 프로세스입니다.양자 컴퓨팅을 사용하면 선형 프로세스를 쉽게 수행할 수 있으며, 구현의 단순성으로 인해 임계값 기능은 활성화 기능을 위해 대부분의 양자 뉴런이 선호합니다.[citation needed]

양자 샘플링 기법

고차원 확률 분포의 샘플링은 과학, 공학 및 사회 전반에 걸쳐 중요한 응용 분야를 가진 광범위한 컴퓨팅 기술의 핵심입니다.예를 들어 딥 러닝, 확률적 프로그래밍 및 기타 기계 학습 및 인공 지능 응용 프로그램 등이 있습니다.

일부 관련 기계 학습 작업의 핵심인 계산적으로 어려운 문제는 볼츠만 분포의 관점에서 정의된 확률적 모델에 대한 평균 추정입니다.일반 확률론적 모델의 샘플링은 어렵습니다. 샘플링에 크게 의존하는 알고리즘은 아무리 크고 강력한 클래식 컴퓨팅 자원이 되더라도 여전히 다루기 어려울 것으로 예상됩니다.D-Wave Systems에서 생산하는 양자 어닐러와 같은 양자 어닐러는 어려운 조합 최적화 문제를 위해 설계되었지만, 최근 양자 효과를 활용하여 샘플링에 의존하는 계산 속도를 높일 수 있는 잠재적인 후보로 인식되고 있습니다.[59]

일부 연구 그룹은 최근 볼츠만 기계와 심층 신경망을 훈련하기 위한 양자 어닐링 하드웨어의 사용을 탐구했습니다.[60][61][62]볼츠만 기계를 훈련하는 표준 접근 방식은 마르코프 체인 몬테카를로 알고리듬과 같은 표준 샘플링 기술로 추정할 수 있는 특정 평균의 계산에 의존합니다.또 다른 가능성은 양자 어닐링과 같은 물리적 프로세스에 의존하는 것으로 볼츠만 분포로부터 샘플을 자연스럽게 생성하는 것입니다.목표는 주어진 데이터 집합의 경험적 분포를 가장 잘 나타내는 최적의 제어 매개 변수를 찾는 것입니다.

NASA Ames Research Center에서 진행하는 D-Wave 2X 시스템은 최근 딥 러닝 아키텍처의 구성 요소가 될 수 있는 제한된 볼츠만 기계의 특별한 클래스 학습에 사용되었습니다.[61]대략 동시에 나타난 보완 작업은 양자 어닐링이 분류 작업에서 지도 학습에 사용될 수 있음을 보여주었습니다.[60]이 장치는 나중에 완전히 연결된 볼츠만 기계를 훈련시켜 다른 합성 데이터 세트 중에서도 다운스케일, 저해상도 손으로 쓴 숫자를 생성, 재구성 및 분류하는 데 사용되었습니다.[63]두 경우 모두 양자 어닐링으로 훈련된 모델의 성능은 품질 측면에서 비슷하거나 더 우수했습니다.이러한 노력을 이끄는 궁극적인 질문은 샘플링 응용 프로그램에 양자 속도가 향상되는지 여부입니다.조합 최적화를 위해 양자 어닐러를 사용한 경험은 답이 간단하지 않음을 시사합니다.역방향 어닐링은 완전히 연결된 양자 제한 볼츠만 기계를 해결하는 데도 사용되었습니다.[64]

고전적인 볼츠만 분포를 기반으로 한 볼츠만 기계의 성공에 영감을 받아 최근 횡단장 이싱 해밀토니안의 양자 볼츠만 분포를 기반으로 한 새로운 기계 학습 접근법이 제안되었습니다.[65]양자역학의 비가환적 특성으로 인해 양자 볼츠만 기계의 훈련 과정은 사소해질 수 있습니다.이 문제는 양자 확률에 대한 경계를 도입하여 저자가 샘플링을 통해 모델을 효율적으로 훈련시킬 수 있도록 함으로써 어느 정도 우회되었습니다.고전적인 볼츠만 기계와 유사한 학습 규칙을 사용하여 D-Wave 2X에서 특정 유형의 양자 볼츠만 기계가 훈련되었을 가능성이 있습니다.[63][62][66]

양자 어닐링은 샘플링을 위한 유일한 기술이 아닙니다.준비 및 측정 시나리오에서 범용 양자 컴퓨터는 열 상태를 준비하고 그 다음 측정을 통해 샘플링됩니다.이를 통해 심층 제한된 볼츠만 머신을 훈련하는 데 필요한 시간을 단축할 수 있으며, 기존 컴퓨팅보다 더 풍부하고 포괄적인 딥 러닝 프레임워크를 제공할 수 있습니다.[67]동일한 양자 방법은 또한 완전한 볼츠만 기계와 다층의 완전한 연결 모델의 효율적인 훈련을 허용하며 잘 알려진 고전적 대응 모델을 가지고 있지 않습니다.양자 향상 마르코프 논리 네트워크는 임의 상태에서 시작하는 효율적인 열 상태 준비 프로토콜에 의존하여 1차 논리 템플릿에 의해 생성된 확률론적 그래픽 모델의 대칭과 지역성 구조를 활용합니다.[68]이를 통해 확률론적 추론에서 계산 복잡도가 기하급수적으로 감소하며 프로토콜은 범용 양자 컴퓨터에 의존하지만 가벼운 가정 하에 현대 양자 어닐링 하드웨어에 내장될 수 있습니다.

양자 신경망

주요 기사:양자 신경망

양자 유사체 또는 고전 신경망의 일반화는 종종 양자 신경망이라고 합니다.이 용어는 광자, 계층화된 변형 회로 또는 양자 이징 유형 모델을 사용한 신경망의 구현 및 확장을 포함한 광범위한 접근 방식에 의해 주장됩니다.양자 신경망은 종종 Deutsch의 양자 계산 네트워크 모델의 확장으로 정의됩니다.[69]이 모델 내에서 해밀턴 연산자와 달리 비선형 및 비가역 게이트는 주어진 데이터 세트를 추측하기 위해 배치됩니다.[69]이러한 게이트는 특정 위상을 관찰할 수 없게 만들고 특정 진동을 발생시킵니다.[69]양자 신경망은 주요 양자 정보와 양자 계산을 고전적인 신경 컴퓨팅에 적용합니다.[70]현재의 연구는 QNN이 컴퓨터의 컴퓨팅 능력과 자유도를 기하급수적으로 증가시킬 수 있다는 것을 보여주는데, 이는 고전적인 컴퓨터의 경우 그 크기로 제한되어 있습니다.[70]양자 신경망은 단계 수, 사용된 큐비트 수 및 계산 시간을 줄일 수 있는 계산 기능을 가지고 있습니다.[69]양자역학에 대한 파동함수는 신경망의 뉴런입니다.신경망에서 양자 응용을 테스트하기 위해 양자점 분자는 GaAs 등의 기판에 증착되어 서로 통신하는 방법을 기록합니다.각각의 양자점은 전기 활동의 섬으로 불릴 수 있으며, 그러한 점들이 충분히 가까울 때(대략 10 - 20 nm)[71] 전자들은 섬 아래로 터널링할 수 있습니다.두 개의 쌍으로 구성된 기판 전체에 균등한 분포가 이루어지면 쌍극자가 생성되고 궁극적으로 위 또는 아래의 두 스핀 상태가 생성됩니다.이러한 상태는 일반적으로 디랙 표기법에서 해당 가0⟩ {\ 0\이고 1⟩ {\1\rangle}인 큐비트로 알려져 있습니다.

양자대결 신경망

회로를 컨볼루션 필터로[72] 사용하는 다차원 벡터의 새로운 설계는 QCNN이며, CNN의[73][74] 장점과 QML의 힘에 영감을 받아 제작되었으며, VQC([75]Variational Quantum Circuit)와 DNN(Deep Neural Network[76])을 조합하여 제작되었으며,유한한 수의 큐비트를 갖는 양자 상태의 중첩에 대한 극도로 병렬적인 처리의 힘을 충분히 활용합니다.주요 전략은 NISQ[77] 장치에서 회로 파라미터에 포함될 가능성이 있는 노이즈의 부정적인 영향 없이 양자 오류 수정 없이 반복 최적화 프로세스를 수행하는 것입니다.[78]

QCNN이 CNN으로 기능하기 위해서는 양자 회로가 공간 정보를 효과적으로 처리해야 합니다.컨볼루션 필터는 공간 정보를 활용하는 가장 기본적인 방법입니다.양자 컨볼루션 뉴럴 네트워크(QCNN)는 하나 이상의 양자 컨볼루션 필터(quantum convolutional neural network)를 포함하며, 이들 필터들 각각은 양자 회로를 이용하여 입력 데이터를 변환하고, 양자 회로는 조직화된 방식 또는 랜덤화된 방식으로 생성될 수 있습니다.양자 컨벌루션 필터는 인코더, 파라미터화 양자 회로(PQC) [79]및 측정의 세 부분으로 구성됩니다.양자 컨볼루션 필터는 훈련 가능한 매개 변수로 설계되었기 때문에 전통적인 CNN에서 필터의 확장으로 볼 수 있습니다.

양자 신경망은 계층 구조를 활용하며,[80] 각 후속 계층에 대해 이전 계층의 큐비트 수가 2배 감소합니다.n개의 입력 큐비트의 경우, 이러한 구조는 O(log(n)) 층을 가지므로 회로 깊이가 얕습니다.또한 PQC 기반 알고리즘의 가장 중요한 문제 중 하나인 "바렌 고원(barren plato)"을 방지하여 훈련 가능성을 보장합니다.[81]QCNN 모델이 해당 양자 연산을 포함하지 않음에도 불구하고, 풀링 레이어의 기본적인 아이디어는 또한 유효성을 보장하기 위해 제공됩니다.QCNN 아키텍처에서, 풀링 계층은 일반적으로 후속 컨볼루션 계층들 사이에 배치됩니다.이 기능은 표현의 공간 크기를 줄이는 동시에 중요한 기능을 보존하는 것이며, 이를 통해 매개 변수 수를 줄이고 네트워크 컴퓨팅을 간소화하며 과적합을 관리할 수 있습니다.이러한 과정은 상태에 완전한 단층 촬영을 적용하여 1큐빗까지 줄인 후 지하철에서 처리할 수 있습니다.풀링 계층에서 가장 많이 사용되는 단위 유형은 max pooling이지만 다른 유형도 있습니다.기존 피드포워드 신경망과 유사하게, 마지막 모듈은 이전 계층의 모든 활성화에 대한 완전한 연결 계층입니다.계층 내에서 매개 변수화된 양자 게이트의 동일한 블록을 필요로 하는 변환 불변성은 QCNN 아키텍처의 독특한 특징입니다.[82]

소산성 양자 신경망

분산형 QNN(DQNN)은 임의의 단일 설계를 가진 빌딩 블록이라는 퍼셉트론에 의해 결합된 큐비트 층으로 구성됩니다.DQNN의 네트워크 계층의 각 노드에는 큐비트의 개별적인 집합이 제공되며, 각 큐비트에는 이를 특성화하기 위한 고유한 양자 지각 유니트가 제공됩니다.[83][84]입력 상태 정보는 이름에서 알 수 있듯이 인접한 두 계층의 큐비트에 피드포워드 방식으로 네트워크를 통해 전송됩니다.소산성 용어는 또한 최종 레이어를 추적하는 동안 입력 레이어가 드롭되는 동안 출력 레이어가 보조 큐비트에 의해 형성된다는 사실을 나타냅니다.[85]광범위한 지도 학습 작업을 수행할 때 DQNN은 입력 및 출력 양자 상태를 연결하는 단일 행렬을 학습하는 데 사용됩니다.이 작업에 대한 훈련 데이터는 양자 상태 및 해당 고전적 레이블로 구성됩니다.

대단히 성공적인 고전적 생성 적대 네트워크(GAN)에서 영감을 [86]받아 레이블이 지정되지 않은 훈련 데이터의 감독되지 않은 학습을 위해 분산 양자 생성 적대 네트워크(DQGAN)가 도입되었습니다.생성기와 판별기는 하나의 DQGAN을 구성하는 두 개의 DQNN입니다.[84] 생성기의 목표는 판별기가 진짜 훈련 상태와 구별할 수 없는 잘못된 훈련 상태를 만드는 것이고, 판별기의 목표는 생성기가 만든 가짜 상태로부터 실제 훈련 상태를 분리하는 것입니다.훈련 세트의 관련 특징은 훈련 세트를 확장하는 세트를 생산하는 데 도움이 되는 네트워크의 대체 및 적대적 훈련에 의해 생성기에 의해 학습됩니다.DQGAN은 완전한 양자 아키텍처를 가지고 있으며 양자 데이터에 대해 교육을 받습니다.

숨겨진 양자 마코프 모형

HQMM(Hidden Quantum Markov Models[87])은 고전적인 HMM(Hidden Markov Models)의 양자 향상 버전으로, 로봇 및 자연어 처리와 같은 다양한 분야에서 순차적인 데이터를 모델링하는 데 일반적으로 사용됩니다.다른 양자 향상 기계 학습 알고리즘이 취하는 접근 방식과 달리, HQMM은 고전적인 컴퓨터에서도 실행될 수 있는 양자 역학에서 영감을 받은 모델로 볼 수 있습니다.[88]고전적인 HMM이 숨겨진 '믿음' 상태를 나타내기 위해 확률 벡터를 사용하는 경우, HQMM은 양자 아날로그 밀도 행렬을 사용합니다.최근 연구에 따르면 이러한 모델은 고전적 최적화를 통해 주어진 데이터의 로그 가능성을 극대화함으로써 성공적으로 학습될 수 있으며, 실제로 이러한 모델이 고전적 HMM에 비해 순차 데이터를 더 잘 모델링할 수 있다는 경험적 증거가 있습니다.비록 이러한 이점이 정확히 언제 그리고 어떻게 도출되는지를 결정하기 위해서는 추가적인 작업이 필요합니다.[88]또한, 고전적인 HMM은 베이즈 넷의 특정한 종류이기 때문에 HQMM의 흥미로운 측면은 사용된 기술이 양자-유사 베이지안 추론을 수행하는 방법을 보여준다는 것이며, 이는 확률론적 그래픽 모델의 양자 버전을 일반적으로 구성할 수 있어야 합니다.[88]

완전양자기계학습

양자 기계 학습의 가장 일반적인 경우에는 학습 장치와 연구 중인 시스템, 그리고 그 상호 작용 모두 완전히 양자적입니다.이 섹션에서는 이 주제에 대한 몇 가지 결과 예를 제공합니다.

완전 양자 접근법의 혜택을 받을 수 있는 한 종류의 문제는 알려지지 않은 양자 상태, 프로세스 또는 측정을 다른 양자 시스템에서 후속적으로 재현할 수 있다는 점에서 '학습'하는 것입니다.예를 들어, 차별할 상태에 대한 고전적인 설명이 아니라 이러한 상태에서 준비된 일련의 예시적인 양자 시스템을 고려할 때 두 개의 일관된 상태를 차별하는 측정을 배우고 싶을 수 있습니다.순진한 접근법은 먼저 상태에 대한 고전적인 설명을 추출한 다음 이 정보를 기반으로 이상적인 식별 측정을 구현하는 것입니다.이것은 단지 고전적인 학습만을 요구할 것입니다.그러나 이 경우 완전 양자 접근 방식이 엄밀하게 우월하다는 것을 보여줄 수 있습니다.[89](이것은 양자 패턴 매칭 작업과도 관련이 있습니다.)[90]유니터리 변환 학습 문제도 비슷한 방식으로 접근할 수 있습니다.[91]

클러스터링 작업은 학습 상태와 변환의 특정 문제를 넘어 데이터 포인트 간 거리를 반환하는 오라클과 알고리즘을 실행하는 정보 처리 장치가 모두 양자인 완전 양자 버전도 인정합니다.[92]마지막으로, 완전 양자 설정에서 감독, 비감독 및 강화 학습에 걸친 일반적인 프레임워크가 도입되었으며,[29] 또한 중첩된 환경에서 환경을 조사할 수 있는 가능성이 강화 학습에서 양자 속도를 높일 수 있음을 보여주었습니다.강화 학습 패러다임의 이러한 속도 향상은 포토닉 설정에서 실험적으로 입증되었습니다.[58]

설명 가능한 양자 기계 학습

인간이 이해할 수 있는 모델에 대한 필요성은 고전적인 기계 학습에 비유하여 양자 기계 학습에서 대두되고 설명 가능한 양자 기계 학습(또는 XAI/XML에 비유하여 XQML[93])의 연구 분야를 견인합니다. 양자 우위를 찾는 대신 대안적인 연구 방향으로 XQML을 고려할 수 있습니다.[94]예를 들어, XQML은 모바일 멀웨어 탐지 및 분류의 맥락에서 사용되어 왔습니다.[95]양자 샤플리 값은 게임 이론적 접근법을 기반으로 회로 내 게이트를 해석하기 위해 제안되기도 했습니다.[93]이러한 목적으로, 특징 대신 게이트가 관심 양자 회로의 측정에 의존하는 값 함수를 가진 연합 게임에서 플레이어 역할을 합니다.

양자문제에 적용된 고전적 학습

자세한 정보:물리학 기계학습

"양자 기계 학습"이라는 용어는 때때로 양자 시스템의 데이터에 대해 수행되는 고전적인 기계 학습을 말합니다.이것의 기본적인 예는 양자 상태 단층 촬영인데, 여기서 양자 상태는 측정으로부터 학습됩니다.다른 응용 프로그램으로는 해밀토니안[96] 학습과 자동으로 양자 실험을 생성하는 것이 있습니다.[20]

양자학습이론

양자 학습 이론은 고전적인 학습 모델의 양자 일반화와 가능한 속도 향상 또는 다른 개선에 대한 수학적 분석을 추구합니다.프레임워크는 고전적인 계산 학습 이론과 매우 유사하지만, 이 경우 학습자는 양자 정보 처리 장치인 반면 데이터는 고전적이거나 양자적일 수 있습니다.양자 학습 이론은 위에서 논의한 양자 향상 기계 학습과 대조되어야 하며, 여기서 목표는 특정 문제를 고려하고 양자 프로토콜을 사용하여 이러한 문제에 대한 고전 알고리듬의 시간 복잡성을 개선하는 것이었습니다.양자 학습 이론은 아직 개발 중이지만, 이러한 방향의 부분적인 결과가 얻어졌습니다.[97]

학습이론의 출발점은 일반적으로 가능한 개념들의 집합인 개념 수업입니다.일반적으로 개념은{ 와 같은 일부 도메인의 함수입니다 예를 들어, 개념 클래스는 n비트의 DNF(접합 정규 형식) 공식 집합이거나 일정한 깊이의 부울 회로 집합일 수 있습니다.학습자의 목표는 이 개념 수업에서 알려지지 않은 목표 개념을 (정확히 또는 대략적으로) 학습하는 것입니다.학습자는 대상 개념과 적극적으로 상호 작용하거나 대상 개념으로부터 수동적으로 샘플을 받을 수 있습니다.

능동적 학습에서, 학습자는 학습자가 선택한 입력 x에 대한 c(x)의 값을 묻는 대상 개념 c에 대한 멤버십 질의를 할 수 있습니다.그런 다음 학습자는 정확한 목표 개념을 높은 확률로 재구성해야 합니다.양자 정확 학습 모델에서 학습자는 양자 중첩에서 구성원 질의를 할 수 있습니다.학습자의 복잡성이 구성원 질의의 수에 의해 측정된다면, 양자 정확 학습자는 일부 개념 수업에 대해 고전 학습자보다 다항식적으로 더 효율적일 수 있지만 그 이상은 아닙니다.[98]복잡성이 학습자가 사용하는 시간에 의해 측정된다면 양자 학습자는 효율적으로 학습할 수 있지만 고전적 학습자는 효율적으로 학습할 수 없는 개념 수업이 있습니다(타당한 복잡성 이론적 가정 하에서).[98]

수동적 학습의 자연스러운 모델은 아마도 발리언트의 PAC(대략적으로 올바른) 학습입니다.여기서 학습자는 임의의 예제(x,c(x))를 받고 여기서 x는 알려지지 않은 분포 D에 따라 분포됩니다.학습자의 목표는 D에 따라 x를 그릴 때 h(x)=c(x)가 높은 확률로 h(x)가 되도록 가설 함수 h를 출력하는 것입니다.학습자는 개념 수업에서 모든 D와 목표 개념 c에 대해 이러한 '대략 정확한' h를 생성할 수 있어야 합니다.우리는 무작위 예제를 잠재적으로 더 강력한 양자 예제∑ D( x) ( x )⟩ {\ \x}{\x))} x)\}로 대체하는 것을 고려할 수 있습니다. PAC 모델(및 관련 불가지론 모델)에서 이것은 필요한 예제의 수를 크게 줄이지 않습니다. 모든 개념 클래스에 대해,고전적인 표본과 양자 표본의 복잡성은 상수 인자까지 동일합니다.[99]그러나 일부 고정 분포 D 하에서 학습하는 경우 양자 예제는 예를 들어 균일 분포 하에서 DNF를 학습하는 데 매우 도움이 될 수 있습니다.[100]시간 복잡도를 고려할 때 양자 학습자가 PAC를 효율적으로 학습할 수 있는 개념 클래스가 있으며, 고전적인 예에서도 PAC를 효율적으로 학습할 수 있지만 고전적인 학습자는 학습할 수 없습니다([98]다시 그럴듯한 복잡도 이론적 가정 하에서).

이 수동적인 학습 유형은 지도 학습에서 가장 일반적인 체계이기도 합니다. 학습 알고리즘은 일반적으로 레이블이 지정되지 않은 예제의 레이블을 쿼리하는 기능 없이 훈련 예제를 고정시킵니다.가설을 출력하는 것은 귀납법의 단계입니다.고전적으로 귀납적 모델은 훈련 단계와 응용 단계로 나뉩니다. 모델 매개 변수는 훈련 단계에서 추정되고 학습된 모델은 응용 단계에서 임의로 여러 번 적용됩니다.응용 프로그램 수의 점근적 한계에서, 이러한 위상 분할은 양자 자원에도 존재합니다.[101]

구현 및 실험

초기 실험은 단열 D-Wave 양자 컴퓨터를 이용하여, 예를 들어, 2009년 시연에서 비볼록 목적 함수를 갖는 정규화된 부스팅을 이용하여 디지털 영상에서 자동차를 검출하는 것으로 수행되었습니다.[102]동일한 아키텍처에 대한 많은 실험이 뒤따랐고, 선도적인 기술 회사들은 미래의 기술 구현을 위한 양자 기계 학습의 가능성에 관심을 보였습니다.2013년 구글 리서치, 나사, 대학 우주 연구 협회는 단열 D-Wave 양자 컴퓨터의 사용을 탐구하는 양자 인공 지능 연구소를 시작했습니다.[103][104]보다 최근의 예는 임의 쌍별 연결을 가진 확률론적 생성 모델을 훈련시켰으며, 모델이 막대와 줄무늬 및 손으로 쓴 숫자의 잡음 이미지를 재구성할 수 있음을 보여줍니다.[63]

2009년에는 핵자기공명(NMR) 기반의 다른 어닐링 기술을 이용하여 입력 데이터와 기억 데이터를 해밀토니안에 매핑하는 양자 홉필드 네트워크를 구현하여 단열 양자 계산을 사용할 수 있도록 하였습니다.[105]또한 NMR 기술은 보편적인 양자 컴퓨팅을 가능하게 하며,[citation needed] 2015년 액체 상태 양자 컴퓨터에서 손으로 쓴 숫자 '6'과 '9'를 구분하기 위한 양자 지원 벡터 기계의 첫 실험적 구현에 사용되었습니다.[106]훈련 데이터는 이미지를 큐비트의 상태로 나타내기 위해 정규화된 2차원 벡터에 매핑하는 이미지의 전처리를 포함했습니다.벡터의 두 항목은 영상의 픽셀 강도의 수직 및 수평 비율입니다.특징 공간에 벡터가 정의되면 미지의 입력 벡터를 분류하기 위해 양자 지원 벡터 기계가 구현되었습니다.판독값은 NMR 신호의 방향(위/아래) 측면에서 최종 상태를 판독함으로써 비용이 많이 드는 양자 단층 촬영을 방지합니다.

광음향 구현은 광범위한 냉각을 필요로 하지 않기 때문에 더욱 주목을 받고 있습니다.[107]2013년에는 음성 숫자와 스피커 인식이 동시에 이루어지고 혼란스러운 시계열 예측이 초당 1기가바이트 이상의 데이터 속도로 입증되었습니다.[108]비선형 포토닉스를 사용하여 올-옵티컬 선형 분류기를 구현한 퍼셉트론 모델은 피드백 규칙을 통해 훈련 데이터로부터 분류 경계를 반복적으로 학습할 수 있었습니다.[109]많은 학습 알고리듬의 핵심 구성 요소는 두 벡터 사이의 거리를 계산하는 것입니다. 2015년에 광자 양자 컴퓨터에서 얽힌 큐비트를 사용하여 최대 8차원에 대해 실험적으로 처음 입증되었습니다.[110]

최근에는 신경 모방 접근법을 기반으로 표준 고전 멤리스터의 양자화된 모델인 이른바 양자 멤리스터의 형태로 양자 기계 학습 분야에 새로운 성분이 추가되었습니다.[111]이 장치는 가변 저항기, 시스템의 약한 측정 및 고전적인 피드포워드 메커니즘을 통해 구성될 수 있습니다.초전도 회로에서 양자 멤리스터의 구현이 제안되었고,[112] 양자점 실험이 수행되었습니다.[113]양자 멤리스터는 양자 역학에서 비선형 상호작용을 구현하여 완전한 기능을 하는 양자 신경망을 찾는 데 도움이 될 것입니다.

IBM은 2016년부터 양자 소프트웨어 개발자를 위한 온라인 클라우드 기반 플랫폼인 IBM Q Experience를 출시했습니다.이 플랫폼은 IBM 웹 API를 통해 액세스할 수 있는 여러 개의 완전한 작동 양자 프로세서로 구성되어 있습니다.이를 통해 소프트웨어 개발자들이 양자 기능을 갖춘 개발 환경을 통해 새로운 알고리즘을 추구하도록 독려하고 있습니다.갇힌 이온과 초전도 양자 컴퓨팅 방법을 모두 사용하여 최대 32큐비트의 새로운 아키텍처가 실험적으로 탐구되고 있습니다.

2019년 10월에.양자 난수 생성기(QRNG)를 기계 학습 모델에 도입한 것은 무작위 초기 가중치 분포를 위한 신경망 및 컨볼루션 신경망과 분할 프로세스를 위한 랜덤 포레스트를 포함한 기존 방식인 유사 난수 G와 비교했을 때 그 능력에 지대한 영향을 미쳤다는 것에 주목했습니다.발전기(PRNG)[114]그러나 2021년의 보다 최근의 출판물에서는 신경망 가중치 초기화에 대해 이러한 주장을 재현할 수 없었고 PRNG에 비해 QRNG를 사용하는 중요한 이점은 발견되지 않았습니다.[115]이 작업은 또한 게이트 양자 컴퓨터로 공정한 난수를 생성하는 것이 NISQ 장치에서 사소한 작업이 아니며, 따라서 QRNG는 일반적으로 PRNG보다 실제로 사용하기가 훨씬 어렵다는 것을 보여주었습니다.

2018년 12월에 발표된 논문은 내부 양자 하드웨어를 사용하는 강화 학습제의 심의 시간의 양자 속도 향상을 보여주는 포획 이온 시스템을 사용한 실험에 대해 보고했습니다.[57]

2021년 3월, 오스트리아, 네덜란드, 미국, 독일의 연구원 팀은 환경과 완전히 양자적으로 상호 작용하는 강화 학습제의 학습 시간의 양자 속도 향상을 실험적으로 입증했다고 보고했습니다.[116][58]에이전트와 환경 모두의 관련 자유도는 콤팩트하고 완전히 조정 가능한 통합 나노 포토닉 프로세서에서 실현되었습니다.

회의론

머신 러닝 자체는 이제 연구 분야일 뿐만 아니라 경제적으로 중요하고 빠르게 성장하는 산업이며 양자 컴퓨팅은 이론적 연구와 실험적 연구 모두에서 잘 확립된 분야이지만 양자 머신 러닝은 순수한 이론적 연구 분야로 남아 있습니다.양자 기계 학습의 개념을 실험적으로 입증하려는 시도는 여전히 부족합니다.[citation needed]

양자 기계 학습 분야에서 광범위하게 발표하는 많은 선도적인 과학자들은 이 주제에 대한 광범위한 과대 선전에 대해 경고하고 있으며, 가까운 미래에 그것의 실용적인 용도에 대해 질문을 받으면 매우 절제되어 있습니다.소피아 첸(Sophia Chen[117])은 이 분야의 저명한 과학자들의 진술을 수집했습니다.

  • "우리는 아직 숙제를 하지 않은 것 같습니다.이것은 매우 새로운 과학 분야입니다." - 캐나다에 기반을 둔 양자 컴퓨팅 스타트업 Xanadu의 물리학자 Maria Schuld.
  • "기계 학습과 '양자'를 혼합할 때, 당신은 초축합을 촉매합니다."[118] - Jacob Biamonte 양자 계산 이론의 공헌자.
  • "양자 기계 학습이 실제로 효과가 있을 것이라고 주장하기 전에 해야 할 일이 훨씬 더 많습니다." - 실리콘 밸리에 기반을 둔 양자 컴퓨팅 스타트업 QC웨어의 양자 알고리즘 책임자인 컴퓨터 과학자 Iordanis Kerenidis가 말했습니다.
  • "저는 고전적인 컴퓨터가 아니라 양자 컴퓨터를 사용하는 것이 이치에 맞는 의미 있는 [기계 학습] 과제가 존재한다는 증거를 단 한 건도 본 적이 없습니다." - 독일 베를린 자유 대학의 물리학자 Ryan Sweke.
  • "과장 광고에 넘어가지 마세요!" - 아마도 이 주제와 관련된 가장 실용적인 책의 저자인 [119]프랭크 지커트는 "양자 컴퓨터는 표현 능력을 위해 기계 학습을 발전시키는 데 멀리 떨어져 있다"며, 심지어 어떤 종류의 유용한 작업에 대한 평가와 최적화에 대해 말하는 것조차 아직 달성되지 않았습니다.게다가, 그 분야의 활동적인 연구자들 중에 그것이 언제 실용화 될 수 있을지에 대해 예측하는 사람은 아무도 없습니다.[citation needed]

참고 항목

참고문헌

  1. ^ Ventura, Dan (2000). "Quantum Associative Memory". Information Sciences. 124 (1–4): 273–296. arXiv:quant-ph/9807053. doi:10.1016/S0020-0255(99)00101-2. S2CID 7232952.
  2. ^ a b Trugenberger, Carlo A. (2001). "Probabilistic Quantum Memories". Physical Review Letters. 87 (6): 067901. arXiv:quant-ph/0012100. Bibcode:2001PhRvL..87f7901T. doi:10.1103/PhysRevLett.87.067901. PMID 11497863. S2CID 23325931.
  3. ^ a b Trugenberger, Carlo A. (2002). "Quantum Pattern Recognition". Quantum Information Processing. 1 (6): 471–493. doi:10.1023/A:1024022632303. S2CID 1928001.
  4. ^ a b Trugenberger, C. A. (2002-12-19). "Phase Transitions in Quantum Pattern Recognition". Physical Review Letters. 89 (27): 277903. arXiv:quant-ph/0204115. Bibcode:2002PhRvL..89A7903T. doi:10.1103/physrevlett.89.277903. ISSN 0031-9007. PMID 12513243. S2CID 33065081.
  5. ^ Biamonte, Jacob; Wittek, Peter; Nicola, Pancotti; Rebentrost, Patrick; Wiebe, Nathan; Lloyd, Seth (2017). "Quantum machine learning". Nature. 549 (7671): 195–202. arXiv:1611.09347. Bibcode:2017Natur.549..195B. doi:10.1038/nature23474. PMID 28905917. S2CID 64536201.
  6. ^ Schuld, Maria; Petruccione, Francesco (2018). Supervised Learning with Quantum Computers. Quantum Science and Technology. doi:10.1007/978-3-319-96424-9. ISBN 978-3-319-96423-2.
  7. ^ a b Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (2014). "An introduction to quantum machine learning". Contemporary Physics. 56 (2): 172–185. arXiv:1409.3097. Bibcode:2015ConPh..56..172S. CiteSeerX 10.1.1.740.5622. doi:10.1080/00107514.2014.964942. S2CID 119263556.
  8. ^ Wittek, Peter (2014). Quantum Machine Learning: What Quantum Computing Means to Data Mining. Academic Press. ISBN 978-0-12-800953-6.
  9. ^ a b Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta (2014). "Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning". Quantum Information & Computation. 15 (3): 0318–0358. arXiv:1401.2142.
  10. ^ Lloyd, Seth; Mohseni, Masoud; Rebentrost, Patrick (2013). "Quantum algorithms for supervised and unsupervised machine learning". arXiv:1307.0411 [quant-ph].
  11. ^ Yoo, Seokwon; Bang, Jeongho; Lee, Changhyoup; Lee, Jinhyoung (2014). "A quantum speedup in machine learning: Finding a N-bit Boolean function for a classification". New Journal of Physics. 16 (10): 103014. arXiv:1303.6055. Bibcode:2014NJPh...16j3014Y. doi:10.1088/1367-2630/16/10/103014. S2CID 4956424.
  12. ^ Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (2014-10-15). "An introduction to quantum machine learning". Contemporary Physics. 56 (2): 172–185. arXiv:1409.3097. Bibcode:2015ConPh..56..172S. CiteSeerX 10.1.1.740.5622. doi:10.1080/00107514.2014.964942. ISSN 0010-7514. S2CID 119263556.
  13. ^ Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro (2017-11-30). "Quantum-Assisted Learning of Hardware-Embedded Probabilistic Graphical Models". Physical Review X. 7 (4): 041052. arXiv:1609.02542. Bibcode:2017PhRvX...7d1052B. doi:10.1103/PhysRevX.7.041052. ISSN 2160-3308. S2CID 55331519.
  14. ^ Farhi, Edward; Neven, Hartmut (2018-02-16). "Classification with Quantum Neural Networks on Near Term Processors". arXiv:1802.06002 [quant-ph].
  15. ^ Schuld, Maria; Bocharov, Alex; Svore, Krysta; Wiebe, Nathan (2020). "Circuit-centric quantum classifiers". Physical Review A. 101 (3): 032308. arXiv:1804.00633. Bibcode:2020PhRvA.101c2308S. doi:10.1103/PhysRevA.101.032308. S2CID 49577148.
  16. ^ Yu, Shang; Albarran-Arriagada, F.; Retamal, J. C.; Wang, Yi-Tao; Liu, Wei; Ke, Zhi-Jin; Meng, Yu; Li, Zhi-Peng; Tang, Jian-Shun (2018-08-28). "Reconstruction of a Photonic Qubit State with Quantum Reinforcement Learning". Advanced Quantum Technologies. 2 (7–8): 1800074. arXiv:1808.09241. doi:10.1002/qute.201800074. S2CID 85529734.
  17. ^ Ghosh, Sanjib; Opala, A.; Matuszewski, M.; Paterek, T.; Liew, Timothy C. H. (2019). "Quantum reservoir processing". npj Quantum Information. 5 (35): 35. arXiv:1811.10335. Bibcode:2019npjQI...5...35G. doi:10.1038/s41534-019-0149-8. S2CID 119197635.
  18. ^ Broecker, Peter; Assaad, Fakher F.; Trebst, Simon (2017-07-03). "Quantum phase recognition via unsupervised machine learning". arXiv:1707.00663 [cond-mat.str-el].
  19. ^ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). "Identifying Quantum Phase Transitions with Adversarial Neural Networks". Physical Review B. 97 (13): 134109. arXiv:1710.08382. Bibcode:2018PhRvB..97m4109H. doi:10.1103/PhysRevB.97.134109. ISSN 2469-9950. S2CID 125593239.
  20. ^ a b Krenn, Mario (2016-01-01). "Automated Search for new Quantum Experiments". Physical Review Letters. 116 (9): 090405. arXiv:1509.02749. Bibcode:2016PhRvL.116i0405K. doi:10.1103/PhysRevLett.116.090405. PMID 26991161. S2CID 20182586.
  21. ^ Knott, Paul (2016-03-22). "A search algorithm for quantum state engineering and metrology". New Journal of Physics. 18 (7): 073033. arXiv:1511.05327. Bibcode:2016NJPh...18g3033K. doi:10.1088/1367-2630/18/7/073033. S2CID 2721958.
  22. ^ Dunjko, Vedran; Briegel, Hans J (2018-06-19). "Machine learning & artificial intelligence in the quantum domain: a review of recent progress". Reports on Progress in Physics. 81 (7): 074001. arXiv:1709.02779. Bibcode:2018RPPh...81g4001D. doi:10.1088/1361-6633/aab406. hdl:1887/71084. ISSN 0034-4885. PMID 29504942. S2CID 3681629.
  23. ^ Huggins, William; Patel, Piyush; Whaley, K. Birgitta; Stoudenmire, E. Miles (2018-03-30). "Towards Quantum Machine Learning with Tensor Networks". Quantum Science and Technology. 4 (2): 024001. arXiv:1803.11537. doi:10.1088/2058-9565/aaea94. S2CID 4531946.
  24. ^ Carleo, Giuseppe; Nomura, Yusuke; Imada, Masatoshi (2018-02-26). "Constructing exact representations of quantum many-body systems with deep neural networks". Nature Communications. 9 (1): 5322. arXiv:1802.09558. Bibcode:2018NatCo...9.5322C. doi:10.1038/s41467-018-07520-3. PMC 6294148. PMID 30552316.
  25. ^ Bény, Cédric (2013-01-14). "Deep learning and the renormalization group". arXiv:1301.3124 [quant-ph].
  26. ^ Arunachalam, Srinivasan; de Wolf, Ronald (2017-01-24). "A Survey of Quantum Learning Theory". arXiv:1701.06806 [quant-ph].
  27. ^ Sergioli, Giuseppe; Giuntini, Roberto; Freytes, Hector (2019-05-09). "A new Quantum approach to binary classification". PLOS ONE. 14 (5): e0216224. Bibcode:2019PLoSO..1416224S. doi:10.1371/journal.pone.0216224. PMC 6508868. PMID 31071129.
  28. ^ Aïmeur, Esma; Brassard, Gilles; Gambs, Sébastien (2006-06-07). "Machine Learning in a Quantum World". Advances in Artificial Intelligence. Lecture Notes in Computer Science. Vol. 4013. pp. 431–442. doi:10.1007/11766247_37. ISBN 978-3-540-34628-9.
  29. ^ a b c Dunjko, Vedran; Taylor, Jacob M.; Briegel, Hans J. (2016-09-20). "Quantum-Enhanced Machine Learning". Physical Review Letters. 117 (13): 130501. arXiv:1610.08251. Bibcode:2016PhRvL.117m0501D. doi:10.1103/PhysRevLett.117.130501. PMID 27715099. S2CID 12698722.
  30. ^ a b Rebentrost, Patrick; Mohseni, Masoud; Lloyd, Seth (2014). "Quantum Support Vector Machine for Big Data Classification". Physical Review Letters. 113 (13): 130503. arXiv:1307.0471. Bibcode:2014PhRvL.113m0503R. doi:10.1103/PhysRevLett.113.130503. hdl:1721.1/90391. PMID 25302877. S2CID 5503025.
  31. ^ a b Wiebe, Nathan; Braun, Daniel; Lloyd, Seth (2012). "Quantum Algorithm for Data Fitting". Physical Review Letters. 109 (5): 050505. arXiv:1204.5242. Bibcode:2012PhRvL.109e0505W. doi:10.1103/PhysRevLett.109.050505. PMID 23006156. S2CID 118439810.
  32. ^ a b Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (2016). "Prediction by linear regression on a quantum computer". Physical Review A. 94 (2): 022342. arXiv:1601.07823. Bibcode:2016PhRvA..94b2342S. doi:10.1103/PhysRevA.94.022342. S2CID 118459345.
  33. ^ Harrow, Aram W.; Hassidim, Avinatan; Lloyd, Seth (2008). "Quantum algorithm for solving linear systems of equations". Physical Review Letters. 103 (15): 150502. arXiv:0811.3171. Bibcode:2009PhRvL.103o0502H. doi:10.1103/PhysRevLett.103.150502. PMID 19905613. S2CID 5187993.
  34. ^ Berry, Dominic W.; Childs, Andrew M.; Kothari, Robin (2015). "Hamiltonian simulation with nearly optimal dependence on all parameters". 2015 IEEE 56th Annual Symposium on Foundations of Computer Science. 56th Annual Symposium on Foundations of Computer Science. IEEE. pp. 792–809. arXiv:1501.01715. doi:10.1109/FOCS.2015.54. ISBN 978-1-4673-8191-8.
  35. ^ Lloyd, Seth; Mohseni, Masoud; Rebentrost, Patrick (2014). "Quantum principal component analysis". Nature Physics. 10 (9): 631. arXiv:1307.0401. Bibcode:2014NatPh..10..631L. CiteSeerX 10.1.1.746.480. doi:10.1038/nphys3029. S2CID 11553314.
  36. ^ Zhao, Zhikuan; Fitzsimons, Jack K.; Fitzsimons, Joseph F. (2019). "Quantum assisted Gaussian process regression". Physical Review A. 99 (5): 052331. arXiv:1512.03929. Bibcode:2019PhRvA..99e2331Z. doi:10.1103/PhysRevA.99.052331. S2CID 18303333.
  37. ^ Soklakov, Andrei N.; Schack, Rüdiger (2006). "Efficient state preparation for a register of quantum bits". Physical Review A. 73 (1): 012307. arXiv:quant-ph/0408045. Bibcode:2006PhRvA..73a2307S. doi:10.1103/PhysRevA.73.012307. S2CID 17318769.
  38. ^ Giovannetti, Vittorio; Lloyd, Seth; MacCone, Lorenzo (2008). "Quantum Random Access Memory". Physical Review Letters. 100 (16): 160501. arXiv:0708.1879. Bibcode:2008PhRvL.100p0501G. doi:10.1103/PhysRevLett.100.160501. PMID 18518173. S2CID 570390.
  39. ^ Aaronson, Scott (2015). "Read the fine print". Nature Physics. 11 (4): 291–293. Bibcode:2015NatPh..11..291A. doi:10.1038/nphys3272. S2CID 122167250.
  40. ^ Bang, Jeongho; Dutta, Arijit; Lee, Seung-Woo; Kim, Jaewan (2019). "Optimal usage of quantum random access memory in quantum machine learning". Physical Review A. 99 (1): 012326. arXiv:1809.04814. Bibcode:2019PhRvA..99a2326B. doi:10.1103/PhysRevA.99.012326. S2CID 62841090.
  41. ^ "Quantum Computing: The Next Big Thing For Finance By 2024". Retrieved 2023-06-17.
  42. ^ "Classical Computing vs Quantum Computing". GeeksforGeeks. 2019-06-12. Retrieved 2023-06-17.
  43. ^ Peddireddy, Dheeraj; Bansal, V.; Jacob, Z.; Aggarwal, V. (2022). "Tensor Ring Parametrized Variational Quantum Circuits for Large Scale Quantum Machine Learning". arXiv:2201.08878 [quant-ph].
  44. ^ Griol-Barres, Israel; Milla, Sergio; Cebrián, Antonio; Mansoori, Yashar; Millet, José (January 2021). "Variational Quantum Circuits for Machine Learning. An Application for the Detection of Weak Signals". Applied Sciences. 11 (14): 6427. doi:10.3390/app11146427. ISSN 2076-3417.
  45. ^ Chen, Samuel Yen-Chi; Yang, Chao-Han Huck; Qi, Jun; Chen, Pin-Yu; Ma, Xiaoli; Goan, Hsi-Sheng (2020). "Variational Quantum Circuits for Deep Reinforcement Learning". IEEE Access. 8: 141007–141024. arXiv:1907.00397. doi:10.1109/ACCESS.2020.3010470. ISSN 2169-3536. S2CID 195767325.
  46. ^ Park, Daniel K.; Blank, Carsten; Petruccione, Francesco (2020-07-27). "The theory of the quantum kernel-based binary classifier". Physics Letters A. 384 (21): 126422. arXiv:2004.03489. Bibcode:2020PhLA..38426422P. doi:10.1016/j.physleta.2020.126422. ISSN 0375-9601. S2CID 215238793.
  47. ^ Yi, Teng; Wang, Jie; Xu, Fufang (2021-08-01). "Binary classification of single qubits using quantum machine learning method". Journal of Physics: Conference Series. 2006 (1): 012020. doi:10.1088/1742-6596/2006/1/012020. ISSN 1742-6588. S2CID 237286847.
  48. ^ Maheshwari, Danyal; Sierra-Sosa, Daniel; Garcia-Zapirain, Begonya (2022). "Variational Quantum Classifier for Binary Classification: Real vs Synthetic Dataset". IEEE Access. 10: 3705–3715. doi:10.1109/ACCESS.2021.3139323. ISSN 2169-3536. S2CID 245614428.
  49. ^ a b Aïmeur, Esma; Brassard, Gilles; Gambs, Sébastien (2013-02-01). "Quantum speed-up for unsupervised learning". Machine Learning. 90 (2): 261–287. doi:10.1007/s10994-012-5316-5. ISSN 0885-6125.
  50. ^ Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta M. (2016). Quantum Perceptron Models. Advances in Neural Information Processing Systems. Vol. 29. pp. 3999–4007. arXiv:1602.04799.
  51. ^ Paparo, Giuseppe Davide; Martin-Delgado, Miguel Angel (2012). "Google in a Quantum Network". Scientific Reports. 2 (444): 444. arXiv:1112.2079. Bibcode:2012NatSR...2E.444P. doi:10.1038/srep00444. PMC 3370332. PMID 22685626.
  52. ^ a b c d Paparo, Giuseppe Davide; Dunjko, Vedran; Makmal, Adi; Martin-Delgado, Miguel Angel; Briegel, Hans J. (2014). "Quantum Speedup for Active Learning Agents". Physical Review X. 4 (3): 031002. arXiv:1401.4997. Bibcode:2014PhRvX...4c1002P. doi:10.1103/PhysRevX.4.031002. S2CID 54652978.
  53. ^ Dong, Daoyi; Chen, Chunlin; Li, Hanxiong; Tarn, Tzyh-Jong (2008). "Quantum Reinforcement Learning". IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics. 38 (5): 1207–1220. arXiv:0810.3828. CiteSeerX 10.1.1.243.5369. doi:10.1109/TSMCB.2008.925743. PMID 18784007. S2CID 17768796.
  54. ^ Crawford, Daniel; Levit, Anna; Ghadermarzy, Navid; Oberoi, Jaspreet S.; Ronagh, Pooya (2018). "Reinforcement Learning Using Quantum Boltzmann Machines". arXiv:1612.05695 [quant-ph].
  55. ^ Dunjko, Vedran; Friis, Nicolai; Briegel, Hans J. (2015-01-01). "Quantum-enhanced deliberation of learning agents using trapped ions". New Journal of Physics. 17 (2): 023006. arXiv:1407.2830. Bibcode:2015NJPh...17b3006D. doi:10.1088/1367-2630/17/2/023006. ISSN 1367-2630. S2CID 119292539.
  56. ^ Lamata, Lucas (2017). "Basic protocols in quantum reinforcement learning with superconducting circuits". Scientific Reports. 7 (1): 1609. arXiv:1701.05131. Bibcode:2017NatSR...7.1609L. doi:10.1038/s41598-017-01711-6. PMC 5431677. PMID 28487535.
  57. ^ a b Sriarunothai, Theeraphot; Wölk, Sabine; Giri, Gouri Shankar; Friis, Nicolai; Dunjko, Vedran; Briegel, Hans J.; Wunderlich, Christof (2019). "Speeding-up the decision making of a learning agent using an ion trap quantum processor". Quantum Science and Technology. 4 (1): 015014. arXiv:1709.01366. Bibcode:2019QS&T....4a5014S. doi:10.1088/2058-9565/aaef5e. ISSN 2058-9565. S2CID 2429346.
  58. ^ a b c Saggio, Valeria; Asenbeck, Beate; Hamann, Arne; Strömberg, Teodor; Schiansky, Peter; Dunjko, Vedran; Friis, Nicolai; Harris, Nicholas C.; Hochberg, Michael; Englund, Dirk; Wölk, Sabine; Briegel, Hans J.; Walther, Philip (10 March 2021). "Experimental quantum speed-up in reinforcement learning agents". Nature. 591 (7849): 229–233. arXiv:2103.06294. Bibcode:2021Natur.591..229S. doi:10.1038/s41586-021-03242-7. ISSN 1476-4687. PMC 7612051. PMID 33692560. S2CID 232185235.
  59. ^ Biswas, Rupak; Jiang, Zhang; Kechezi, Kostya; Knysh, Sergey; Mandrà, Salvatore; O’Gorman, Bryan; Perdomo-Ortiz, Alejando; Pethukov, Andre; Realpe-Gómez, John; Rieffel, Eleanor; Venturelli, Davide; Vasko, Fedir; Wang, Zhihui (2016). "A NASA perspective on quantum computing: Opportunities and challenges". Parallel Computing. 64: 81–98. arXiv:1704.04836. doi:10.1016/j.parco.2016.11.002. S2CID 27547901.
  60. ^ a b Adachi, Steven H.; Henderson, Maxwell P. (2015). "Application of quantum annealing to training of deep neural networks". arXiv:1510.06356 [quant-ph].
  61. ^ a b Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro (2016). "Estimation of effective temperatures in quantum annealers for sampling applications: A case study with possible applications in deep learning". Physical Review A. 94 (2): 022308. arXiv:1510.07611. Bibcode:2016PhRvA..94b2308B. doi:10.1103/PhysRevA.94.022308. S2CID 118602077.
  62. ^ a b Korenkevych, Dmytro; Xue, Yanbo; Bian, Zhengbing; Chudak, Fabian; Macready, William G.; Rolfe, Jason; Andriyash, Evgeny (2016). "Benchmarking quantum hardware for training of fully visible Boltzmann machines". arXiv:1611.04528 [quant-ph].
  63. ^ a b c Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro (2017). "Quantum-assisted learning of graphical models with arbitrary pairwise connectivity". Physical Review X. 7 (4): 041052. arXiv:1609.02542. Bibcode:2017PhRvX...7d1052B. doi:10.1103/PhysRevX.7.041052. S2CID 55331519.
  64. ^ Rocutto, Lorenzo; Destri, Claudio; Prati, Enrico (2021). "Quantum Semantic Learning by Reverse Annealing of an Adiabatic Quantum Computer". Advanced Quantum Technologies. 4 (2): 2000133. arXiv:2003.11945. doi:10.1002/qute.202000133. ISSN 2511-9044. S2CID 214667224.
  65. ^ Amin, Mohammad H.; Andriyash, Evgeny; Rolfe, Jason; Kulchytskyy, Bohdan; Melko, Roger (2018). "Quantum Boltzmann machines". Phys. Rev. X. 8 (21050): 021050. arXiv:1601.02036. Bibcode:2018PhRvX...8b1050A. doi:10.1103/PhysRevX.8.021050. S2CID 119198869.
  66. ^ "Phys. Rev. E 72, 026701 (2005): Quantum annealing in a kinetically co…". archive.is. 2014-01-13. Archived from the original on 2014-01-13. Retrieved 2018-12-07.
  67. ^ Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta M. (2014). "Quantum deep learning". arXiv:1412.3489 [quant-ph].
  68. ^ Wittek, Peter; Gogolin, Christian (2017). "Quantum Enhanced Inference in Markov Logic Networks". Scientific Reports. 7 (45672): 45672. arXiv:1611.08104. Bibcode:2017NatSR...745672W. doi:10.1038/srep45672. PMC 5395824. PMID 28422093.
  69. ^ a b c d Gupta, Sanjay; Zia, R.K.P. (2001-11-01). "Quantum Neural Networks". Journal of Computer and System Sciences. 63 (3): 355–383. arXiv:quant-ph/0201144. doi:10.1006/jcss.2001.1769. ISSN 0022-0000. S2CID 206569020.
  70. ^ a b Ezhov, Alexandr A.; Ventura, Dan (2000), "Quantum Neural Networks", Future Directions for Intelligent Systems and Information Sciences, Physica-Verlag HD, pp. 213–235, CiteSeerX 10.1.1.683.5972, doi:10.1007/978-3-7908-1856-7_11, ISBN 978-3-7908-2470-4, S2CID 9099722
  71. ^ a b Behrman, E.C.; Nash, L.R.; Steck, J.E.; Chandrashekar, V.G.; Skinner, S.R. (2000-10-01). "Simulations of quantum neural networks". Information Sciences. 128 (3–4): 257–269. doi:10.1016/S0020-0255(00)00056-6. ISSN 0020-0255.
  72. ^ Henderson, Maxwell; Shakya, Samriddhi; Pradhan, Shashindra; Cook, Tristan (2020-02-27). "Quanvolutional neural networks: powering image recognition with quantum circuits". Quantum Machine Intelligence. 2 (1). arXiv:1904.04767. doi:10.1007/s42484-020-00012-y. ISSN 2524-4906. S2CID 104291950.
  73. ^ Gaikwad, Akash S. Pruning convolution neural network (SqueezeNet) for efficient hardware deployment. OCLC 1197735354.
  74. ^ Cong, Iris; Choi, Soonwon; Lukin, Mikhail D. (2019-08-26). "Quantum convolutional neural networks". Nature Physics. 15 (12): 1273–1278. arXiv:1810.03787. Bibcode:2019NatPh..15.1273C. doi:10.1038/s41567-019-0648-8. ISSN 1745-2473. S2CID 53642483.
  75. ^ Mitarai, K.; Negoro, M.; Kitagawa, M.; Fujii, K. (2018-09-10). "Quantum circuit learning". Physical Review A. 98 (3): 032309. arXiv:1803.00745. Bibcode:2018PhRvA..98c2309M. doi:10.1103/physreva.98.032309. hdl:11094/77645. ISSN 2469-9926. S2CID 117542570.
  76. ^ Hochreiter, Sepp; Schmidhuber, Jürgen (1997-11-01). "Long Short-Term Memory". Neural Computation. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. ISSN 0899-7667. PMID 9377276. S2CID 1915014.
  77. ^ Preskill, John (2018-08-06). "Quantum Computing in the NISQ era and beyond". Quantum. 2: 79. arXiv:1801.00862. Bibcode:2018Quant...2...79P. doi:10.22331/q-2018-08-06-79. ISSN 2521-327X. S2CID 44098998.
  78. ^ Bacon, Dave (2013-09-12), "Experimental quantum error correction", Quantum Error Correction, Cambridge University Press, pp. 509–518, doi:10.1017/cbo9781139034807.023, ISBN 9780521897877, retrieved 2022-11-23
  79. ^ Bharti, Kishor; Cervera-Lierta, Alba; Kyaw, Thi Ha; Haug, Tobias; Alperin-Lea, Sumner; Anand, Abhinav; Degroote, Matthias; Heimonen, Hermanni; Kottmann, Jakob S.; Menke, Tim; Mok, Wai-Keong; Sim, Sukin; Kwek, Leong-Chuan; Aspuru-Guzik, Alán (2022-02-15). "Noisy intermediate-scale quantum algorithms". Reviews of Modern Physics. 94 (1): 015004. arXiv:2101.08448. Bibcode:2022RvMP...94a5004B. doi:10.1103/revmodphys.94.015004. hdl:10356/161272. ISSN 0034-6861. S2CID 231662441.
  80. ^ Grant, Edward; Benedetti, Marcello; Cao, Shuxiang; Hallam, Andrew; Lockhart, Joshua; Stojevic, Vid; Green, Andrew G.; Severini, Simone (December 2018). "Hierarchical quantum classifiers". npj Quantum Information. 4 (1): 65. arXiv:1804.03680. Bibcode:2018npjQI...4...65G. doi:10.1038/s41534-018-0116-9. S2CID 55479810.
  81. ^ Zhao, Chen; Gao, Xiao-Shan (2021-06-04). "Analyzing the barren plateau phenomenon in training quantum neural networks with the ZX-calculus". Quantum. 5: 466. arXiv:2102.01828. Bibcode:2021Quant...5..466Z. doi:10.22331/q-2021-06-04-466. ISSN 2521-327X. S2CID 231786346.
  82. ^ Hur, Tak; Kim, Leeseok; Park, Daniel K. (2022-02-10). "Quantum convolutional neural network for classical data classification". Quantum Machine Intelligence. 4 (1): 3. arXiv:2108.00661. doi:10.1007/s42484-021-00061-x. ISSN 2524-4906. S2CID 236772493.
  83. ^ Ostaszewski, Mateusz; Grant, Edward; Benedetti, Marcello (2021-01-28). "Structure optimization for parameterized quantum circuits". Quantum. 5: 391. Bibcode:2021Quant...5..391O. doi:10.22331/q-2021-01-28-391. ISSN 2521-327X. S2CID 231719244.
  84. ^ a b Beer, Kerstin; Müller, Gabriel (2021-12-11). "Dissipative quantum generative adversarial networks". arXiv:2112.06088 [quant-ph].
  85. ^ J., Sharma, Kunal Cerezo, M. Cincio, Lukasz Coles, Patrick (2020-05-25). Trainability of Dissipative Perceptron-Based Quantum Neural Networks. OCLC 1228410830.{{cite book}}: CS1 유지 : 여러 이름 : 저자 목록 (링크)
  86. ^ Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014-06-10). "Generative Adversarial Networks". arXiv:1406.2661 [stat.ML].
  87. ^ Clark, Lewis A.; Huang W., Wei; Barlow, Thomas H.; Beige, Almut (2015). "Hidden Quantum Markov Models and Open Quantum Systems with Instantaneous Feedback". In Sanayei, Ali; Rössler, Otto E.; Zelinka, Ivan (eds.). ISCS 2014: Interdisciplinary Symposium on Complex Systems. Emergence, Complexity and Computation. Vol. 14. pp. 131–151. arXiv:1406.5847. CiteSeerX 10.1.1.749.3332. doi:10.1007/978-3-319-10759-2_16. ISBN 978-3-319-10759-2. S2CID 119226526.
  88. ^ a b c Srinivasan, Siddarth; Gordon, Geoff; Boots, Byron (2018). "Learning Hidden Quantum Markov Models" (PDF). Aistats.
  89. ^ Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (9 July 2015). "Quantum learning of coherent states". EPJ Quantum Technology. 2 (1). doi:10.1140/epjqt/s40507-015-0030-4.
  90. ^ Sasaki, Masahide; Carlini, Alberto (6 August 2002). "Quantum learning and universal quantum matching machine". Physical Review A. 66 (2): 022303. arXiv:quant-ph/0202173. Bibcode:2002PhRvA..66b2303S. doi:10.1103/PhysRevA.66.022303. S2CID 119383508.
  91. ^ Bisio, Alessandro; Chiribella, Giulio; D’Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (25 March 2010). "Optimal quantum learning of a unitary transformation". Physical Review A. 81 (3): 032324. arXiv:0903.0543. Bibcode:2010PhRvA..81c2324B. doi:10.1103/PhysRevA.81.032324. S2CID 119289138.
  92. ^ Aïmeur, Esma; Brassard, Gilles; Gambs, Sébastien (1 January 2007). "Quantum clustering algorithms". Proceedings of the 24th international conference on Machine learning. pp. 1–8. CiteSeerX 10.1.1.80.9513. doi:10.1145/1273496.1273497. ISBN 978-1-59593-793-3. S2CID 4357684.
  93. ^ a b Heese, Raoul; Gerlach, Thore; Mücke, Sascha; Müller, Sabine; Jakobs, Matthias; Piatkowski, Nico (22 January 2023). "Explainable Quantum Machine Learning". arXiv:2301.09138 [quant-ph].
  94. ^ Schuld, Maria; Killoran, Nathan (2 March 2022). "Is Quantum Advantage the Right Goal for Quantum Machine Learning?". PRX Quantum. 3 (3): 030101. arXiv:2203.01340. Bibcode:2022PRXQ....3c0101S. doi:10.1103/PRXQuantum.3.030101. S2CID 247222732.
  95. ^ Mercaldo, F.; Ciaramella, G.; Iadarola, G.; Storto, M.; Martinelli, F.; Santone, A.o (2022). "Towards Explainable Quantum Machine Learning for Mobile Malware Detection and Classification". Applied Sciences. 12 (23): 12025. doi:10.3390/app122312025.
  96. ^ Cory, D. G.; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (2012-07-06). "Robust Online Hamiltonian Learning". New Journal of Physics. 14 (10): 103013. arXiv:1207.1655. Bibcode:2012NJPh...14j3013G. doi:10.1088/1367-2630/14/10/103013. S2CID 9928389.
  97. ^ Arunachalam, Srinivasan; de Wolf, Ronald (2017). "A Survey of Quantum Learning Theory". arXiv:1701.06806 [quant-ph].
  98. ^ a b c Servedio, Rocco A.; Gortler, Steven J. (2004). "Equivalences and Separations Between Quantum and Classical Learnability". SIAM Journal on Computing. 33 (5): 1067–1092. CiteSeerX 10.1.1.69.6555. doi:10.1137/S0097539704412910.
  99. ^ Arunachalam, Srinivasan; de Wolf, Ronald (2016). "Optimal Quantum Sample Complexity of Learning Algorithms". arXiv:1607.00932 [quant-ph].
  100. ^ Nader, Bshouty H.; Jeffrey, Jackson C. (1999). "Learning DNF over the Uniform Distribution Using a Quantum Example Oracle". SIAM Journal on Computing. 28 (3): 1136–1153. CiteSeerX 10.1.1.23.5709. doi:10.1137/S0097539795293123.
  101. ^ Monràs, Alex; Sentís, Gael; Wittek, Peter (2017). "Inductive supervised quantum learning". Physical Review Letters. 118 (19): 190503. arXiv:1605.07541. Bibcode:2017PhRvL.118s0503M. doi:10.1103/PhysRevLett.118.190503. PMID 28548536. S2CID 6521971.
  102. ^ "NIPS 2009 Demonstration: Binary Classification using Hardware Implementation of Quantum Annealing" (PDF). Static.googleusercontent.com. Retrieved 26 November 2014.
  103. ^ "Google Quantum A.I. Lab Team". Google Plus. 31 January 2017. Retrieved 31 January 2017.
  104. ^ "NASA Quantum Artificial Intelligence Laboratory". NASA. 31 January 2017. Archived from the original on 1 February 2017. Retrieved 31 January 2017.
  105. ^ Neigovzen, Rodion; Neves, Jorge L.; Sollacher, Rudolf; Glaser, Steffen J. (2009). "Quantum pattern recognition with liquid-state nuclear magnetic resonance". Physical Review A. 79 (4): 042321. arXiv:0802.1592. Bibcode:2009PhRvA..79d2321N. doi:10.1103/PhysRevA.79.042321. S2CID 119115625.
  106. ^ Li, Zhaokai; Liu, Xiaomei; Xu, Nanyang; Du, Jiangfeng (2015). "Experimental Realization of a Quantum Support Vector Machine". Physical Review Letters. 114 (14): 140504. arXiv:1410.1054. Bibcode:2015PhRvL.114n0504L. doi:10.1103/PhysRevLett.114.140504. PMID 25910101. S2CID 119182770.
  107. ^ Wan, Kwok-Ho; Dahlsten, Oscar; Kristjansson, Hler; Gardner, Robert; Kim, Myungshik (2017). "Quantum generalisation of feedforward neural networks". npj Quantum Information. 3 (36): 36. arXiv:1612.01045. Bibcode:2017npjQI...3...36W. doi:10.1038/s41534-017-0032-4. S2CID 51685660.
  108. ^ Brunner, Daniel; Soriano, Miguel C.; Mirasso, Claudio R.; Fischer, Ingo (2013). "Parallel photonic information processing at gigabyte per second data rates using transient states". Nature Communications. 4: 1364. Bibcode:2013NatCo...4.1364B. doi:10.1038/ncomms2368. PMC 3562454. PMID 23322052.
  109. ^ Tezak, Nikolas; Mabuchi, Hideo (2015). "A coherent perceptron for all-optical learning". EPJ Quantum Technology. 2. arXiv:1501.01608. Bibcode:2015arXiv150101608T. doi:10.1140/epjqt/s40507-015-0023-3. S2CID 28568346.
  110. ^ Cai, X.-D.; Wu, D.; Su, Z.-E.; Chen, M.-C.; Wang, X.-L.; Li, Li; Liu, N.-L.; Lu, C.-Y.; Pan, J.-W. (2015). "Entanglement-Based Machine Learning on a Quantum Computer". Physical Review Letters. 114 (11): 110504. arXiv:1409.7770. Bibcode:2015PhRvL.114k0504C. doi:10.1103/PhysRevLett.114.110504. PMID 25839250. S2CID 44769024.
  111. ^ Pfeiffer, P.; Egusquiza, I. L.; Di Ventra, M.; Sanz, M.; Solano, E. (2016). "Quantum memristors". Scientific Reports. 6 (2016): 29507. arXiv:1511.02192. Bibcode:2016NatSR...629507P. doi:10.1038/srep29507. PMC 4933948. PMID 27381511.
  112. ^ Salmilehto, J.; Deppe, F.; Di Ventra, M.; Sanz, M.; Solano, E. (2017). "Quantum Memristors with Superconducting Circuits". Scientific Reports. 7 (42044): 42044. arXiv:1603.04487. Bibcode:2017NatSR...742044S. doi:10.1038/srep42044. PMC 5307327. PMID 28195193.
  113. ^ Li, Ying; Holloway, Gregory W.; Benjamin, Simon C.; Briggs, G. Andrew D.; Baugh, Jonathan; Mol, Jan A. (2017). "A simple and robust quantum memristor". Physical Review B. 96 (7): 075446. arXiv:1612.08409. Bibcode:2017PhRvB..96g5446L. doi:10.1103/PhysRevB.96.075446. S2CID 119454549.
  114. ^ Bird, Jordan J.; Ekárt, Anikó; Faria, Diego R. (2019-10-28). "On the effects of pseudorandom and quantum-random number generators in soft computing". Soft Computing. Springer Science and Business Media LLC. 24 (12): 9243–9256. doi:10.1007/s00500-019-04450-0. ISSN 1432-7643.
  115. ^ Heese, Raoul; Wolter, Moritz; Mücke, Sascha; Franken, Lukas; Piatkowski, Nico (2021). "On the effects of biased quantum random numbers on the initialization of artificial neural networks". arXiv:2108.13329 [quant-ph].
  116. ^ "A quantum trick with photons gives machine learning a speed boost". New Scientist. Retrieved 31 August 2021.
  117. ^ "Can quantum machine learning move beyond its own hype?". Protocol. 2020-05-04. Retrieved 2020-10-27.
  118. ^ "Can quantum machine learning move beyond its own hype?". quantamagazine.org. 2018-01-22.
  119. ^ Zickert, Frank (2020-09-23). "Quantum Machine Learning". Medium. Retrieved 2020-10-27.