FCATとXanadu、実世界のデータ分析向けに隠れ部分群問題を改良

フィデリティ・センター・フォー・アプライド・テクノロジー（FCAT®）とXanaduは、隠れ部分群問題（HSP）を理論的な概念から産業データ分析の実用的なツールへと移行させることを目的とした共同研究を発表しました。従来、HSP（Shorのアルゴリズムの基礎となる）の量子アルゴリズムは、量子優位性を達成するために、完全に構造化された「クリーン」なデータを必要としていました。FCATとXanaduのチームが導入した新しい手法により、量子システムはノイズが多く不完全なデータを処理できるようになり、実世界の金融および商業データセットに存在する近似的なパターンや依存関係を発見することが可能になります。

技術的な革新は、アルゴリズムの焦点を正確な数学的対称性の特定から、隠された構造の統計的近似の発見へとシフトさせることにあります。研究者たちは、厳密な数学的群の要件を緩和することで、大規模データ分析や現在のNISQ（ノイジー中間規模量子）ハードウェアに固有の「ノイズ」に対してより回復力のあるフレームワークを開発しました。このアプローチは、抽象的な群論と量子機械学習（QML）の間のギャップを埋めることを目的としており、特に古典的な高性能コンピューティング（HPC）がスケーリングのボトルネックに直面する複雑な関係マッピングやパターン認識を伴うタスクに有効です。