The Brain & Neural Networks

Quantum-Inspired Algorithms for Accelerating Machine Learning

Kei Majima, Naoko Koide‐Majima

Published Dec 5, 2022• 2 citations

Abstract

量子コンピュータを使い，機械学習を高速化することは可能だろうか？量子コンピュータへの期待・関心が高まっている昨今，意外に感じる読者も多いかもしれないが，この問いに対する答えはまだでていない．そして，この問いに対する研究が進むにつれ，（ある意味副産物として）既存の古典コンピュータ用の機械学習アルゴリズムが改善され，量子コンピュータを使わずに高速化されるに至っている．本稿ではそのような経緯で2018年にEwin Tang氏によって発見された一連のアルゴリズム「量子インスパイアドアルゴリズム」について解説を試みる．

DOI: 10.3902/jnns.29.186

Related papers

Quantum-inspired Black-box Optimization: Application to Machine Learning

Yuki Minamoto, Takahisa Todoroki

近年，イジングマシンを活用した組合せ最適化の社会実装が進み始めており，特に2次2値最適化問題の高速解法として注目されている．その特性を活かし，実務レベルでの応用が広がる一方，目的関数がブラックボックスである問題にも対応可能な新たな最適化手法が提案されている．本記事では，その手法の特徴や実装例を詳しく解説し，機械学習における特徴量選択への応用を通じて，高次元の最適化問題にも有効であることを示す．さらに，材料科学や機械学習を超え，従来手法では困難だった高次元ブラックボックス最適化問題への適用可能性についても議論する．

The Brain & Neural NetworksJun 5, 20250 citations

量子インスパイアドアルゴリズムによる機械学習の高速化

間島　慶, 小出（間島）真子

Jan 1, 20230 citations

Quantum-Inspired Optimization for Large-Scale Machine Learning

Jincheng Zhang

The rapid growth of machine learning (ML) has been accompanied by a significant challenge: the scaling of optimization algorithms to handle the immense parameter spaces of modern models, such as deep neural networks. Traditional optimization methods, including gradient descent and its variants, often encounter difficulties in efficiently exploring these spaces, leading to slow training times and potential stagnation. This paper investigates the application of quantum-inspired optimization techniques to address this scaling problem. We explore algorithms inspired by quantum annealing and other quantum phenomena, adapting their core principles to classical computation. Specifically, we propose a novel optimization framework utilizing a stochastic search strategy based on quantum superposition and measurement, designed to navigate high-dimensional parameter spaces more effectively. The efficacy of this approach is evaluated through theoretical analysis and conceptual simulations, demonstrating its potential to accelerate the training of large-scale machine learning models. We demonstrate how these methods can improve convergence speed and potentially escape local minima more effectively than conventional techniques. The core contribution lies in providing a theoretical foundation and a practical framework for applying quantum-inspired concepts to optimization within the context of machine learning.

Sep 6, 20260 citations

An Overview of Quantum Algorithms

Seiichiro Tani

量子コンピュータは，量子力学の原理を用いて計算を行うコンピュータであり，現在のコンピュータを超える計算能力を発揮することが期待されている．そのためには，量子コンピュータのハードウェアを効果的に使って計算を行うアルゴリズム（量子アルゴリズム）が必要となる．本稿では，これまで行われてきた量子アルゴリズム研究を概観し，課題と展望について議論する

Denshi Jouhou Tsuushin Gakkai Tsuushin Sosaieti magajin/B-plus/Denshi Jouhou Tsuushin Gakkai Tsuushin Sosaeti magajinJan 1, 20200 citations

Development of Fast Quantum Algorithms

Seiichiro Tani, Yasuhiro Takahashi

量子コンピュータは現在のコンピュータにおける不可能を可能にする高速コンピュータとして大きな期待を集めている．この期待の実現には，新しいハードウェア技術とともに，ハードウェアの能力を引き出す新しいアルゴリズム技術が不可欠である．本稿では，このような高速量子アルゴリズムの開発に焦点を当て，量子コンピュータ単体による計算や通信が可能な複数の量子コンピュータを利用する計算のために開発されてきた高速量子アルゴリズムの歴史を振り返るとともに，我々の成果について，その原点となる発想を中心に紹介する．

IEICE ESS FUNDAMENTALS REVIEWJun 30, 20200 citations

Exploring the Quantum Acceleration of Machine Learning in Neural Data Analysis

Majima Kei

Recent advances in machine learning algorithms have enabled the extraction of inherent information in neural activities, the so-called neural decoding technique, providing us with in-depth knowledge of mechanisms of information processing in the brain. However, their application to high-dimensional data is limited due to their sizeable computational complexity. To tackle this problem, we have developed scalable machine-learning algorithms using computational techniques developed in quantum computation. In this short presentation, we will present recent results obtained with these quantum-inspired machine learning algorithms and discuss future perspectives.

Nov 17, 20230 citations