양자 기계 학습(QML)은 학습 문제를 해결하기 위해 양자 역학적 자원을 활용하는 계산 패러다임입니다. 이 프레임워크의 목표는 양자 프로세서를 활용하여 최적화, 지도 학습, 비지도 학습, 강화 학습 및 생성 모델링과 같은 작업을 고전적 모델보다 효율적으로 수행하는 것입니다. 본 논문에서는 QML에 대한 개략적인 개요를 제공하며, 양자 장치가 주요 학습 또는 데이터 생성 단위인 설정에 중점을 둡니다.
시사점, 한계점
•
QML의 실용성과 보장 사이의 긴장.
•
접근 모델과 속도 향상 사이의 관계.
•
고전적 기준선과 주장된 양자 이점 사이의 관계.
•
증거가 강력한 경우, 조건부 또는 여전히 부족한 경우, 그리고 열린 질문이 남아 있는 경우를 강조합니다.
•
양자 접근 방식이 실제 이점을 제공할 수 있는 시기와 가정에 대한 판단을 내릴 수 있도록 QML 환경에 대한 개략적인 지도를 제공합니다.
