양자 AI

이 분야는 활발한 연구 분야입니다. 이론적 속도 향상이나 소규모 실험이 고전적 방법보다 실질적인 우위를 입증하지는 않습니다.

주요 시사점

• 가정과 척도를 정하세요.
• 완전한 하이브리드 워크플로우와 고전적인 기준선을 비교해 보세요.
• 하드웨어, 노이즈, 재현 가능성 세부사항을 기록하세요.

작업을 정의하고 강력한 고전 기준선과 비교하세요. 양자 자원, 회로 깊이, 잡음, 데이터 로딩, 측정이 워크플로우를 지배할 수 있습니다. 양자 알고리즘에 대한 주장은 문제, 가정, 하드웨어 또는 시뮬레이터, 그리고 결과가 측정된 규모를 명시해야 합니다. 양자 모델을 하이브리드 워크플로우와 분리하세요. 고전적 전처리, 최적화, 후처리가 시스템의 대부분을 차지할 수 있습니다. 반복 시도, 오류 완화, 데이터 전송을 포함한 전체 비용과 정확도를 평가하세요. 실험이 실제 하드웨어를 사용했는지, 시뮬레이션을 사용하는지, 비교가 공정한지 확인하세요. 작은 장난감 데이터셋은 아이디어를 설명할 수 있지만 실제 작업 부하에 대해서는 거의 언급하지 않습니다. 코드, 회로 정의, 관련 시 무작위 시드, 재현성을 위해 하드웨어 세부사항을 보존하세요. 일반적인 양자 이점에 대한 예측은 불확실성으로 간주하세요. 신뢰할 수 있는 이정표를 추적하고 하드웨어와 알고리즘이 변화함에 따라 평가를 업데이트하며, 연구 잠재력을 현재 역량으로 제시하지 마세요.

1. 작은 회로가 고전 모델과 비슷한 정확도를 열 가지 예시로 달성한다고 상상해 보세요.
2. 비교에 데이터 인코딩, 반복 측정, 오류 완화, 전송 시간을 추가하세요.
3. 양자 워크플로우가 목표 규모에서 실질적인 이점을 제공하는지 평가하세요.

구성된 예제는 알고리즘적 시연과 응용 이점을 구분합니다.