量子畳み込みニューラルネットワークの分割と並列化による効率的な学習方法を提案する。
ジェット識別のための新しい量子完全グラフニューラルネットワーク(QCGNN)は、古典的な対応物に比べて多項式の高速化を実現する。
sQUlearnは、量子機械学習(QML)のためのユーザーフレンドリーで、NISQ対応のPythonライブラリを提供する。クラシカルな機械学習ツールとの統合を可能にし、研究者と実践者の両方のニーズに対応する。
量子もつれを利用することで、従来の古典的な機械学習モデルと比較して、表現力、推論速度、および学習効率において、ノイズに強く証明可能な量子的な優位性を達成できる。
本稿では、古典的なコルモゴロフ-アーノルドネットワーク(KAN)に触発された、量子コンピュータ上で動作する新しいニューラルネットワークアーキテクチャであるQKANを提案する。
量子確率論的機械学習において、データ学習によって得られる表現力と汎化能力は、負の対数尤度のスケーリング則に現れる二次補正項として解釈できる。