本研究では、故障耐性のある量子コンピューティングアーキテクチャに統合するための活性化関数の量子回路の開発に焦点を当てており、特にT深度の最小化に重点を置いている。具体的には、定数T深度4のReLUと定数T深度8のLeaky ReLUの新しい実装を提示している。また、量子ルックアップテーブルを活用して、シグモイド関数などの他の活性化関数の探索も行っている。この手法により、精度とT深度のトレードオフを調整できるため、様々な応用シナリオに適応可能となる。
本論文では、量子サンプルを利用して、リング学習誤り問題(RLWE)、短整数解問題(SIS)、学習誤り問題(LWE)を効率的に解くことができる新しい量子アルゴリズムを提案する。
量子機械学習は、量子デバイス上で機械学習アルゴリズムを実行することで、学術界と企業界の両方で大きな注目を集めている。本論文では、量子機械学習の分野で登場した様々な概念について包括的かつ公平なレビューを行う。これには、ノイズ耐性中間規模量子(NISQ)技術で使われる手法と、誤り耐性量子コンピューティング(FTQC)ハードウェアに適合するアルゴリズムのアプローチが含まれる。基本概念、アルゴリズム、量子機械学習に関連する統計的学習理論について解説する。
量子ニューラルネットワークモデルの効率は、使用するパラメータ化がt-designに近づくほど、チップアーキテクチャに依存しなくなる。