世界各国のリアルタイムなデータ・インテリジェンスで皆様をお手伝い

量子時代のマシーンラーニングとディープラーニング2024年:市場予測と技術評価


Machine Learning and Deep Learning in the Quantum Era 2024: A Market Forecast and Technology Assessment

機械学習(ML)は、AI市場の中で最も成熟した分野のひとつであり、その歴史は1950年代にさかのぼる。MLは機械に特定のタスクを実行させ、パターンを特定することで正確な結果を提供する... もっと見る

 

 

出版社 出版年月 電子版価格 言語
Inside Quantum Technology
インサイドクァンタムテクノロジー
2024年10月24日 US$4,695
シングルユーザライセンス(1PC)
ライセンス・価格情報
注文方法はこちら
英語

上記に記載の出版日は発行予定日です。詳細はデータリソースまでお問合せ下さい。


 

サマリー

機械学習(ML)は、AI市場の中で最も成熟した分野のひとつであり、その歴史は1950年代にさかのぼる。MLは機械に特定のタスクを実行させ、パターンを特定することで正確な結果を提供するよう教える。量子コンピュータの登場は、量子コンピューティングのパワーをMLにどのように応用できるかという推測につながった。量子機械学習(QML)は、実行時間の高速化、学習効率の向上、学習能力の向上という点で、古典的なMLを改善できるというコンセンサスが形成されつつある。QMLはいくつかの新たな傾向を示している:

  • 量子コンピュータを使って従来のMLの問題を解く
  • QMLに適した改良されたMLアルゴリズムの開発
  • QMLの新しい提供方法(特にクラウド)の研究
  • 量子ハードウェア操作、制御システム、ユーザインタフェースの最適化に古典的 ML を使用する。

本レポートでは、IQT Research 社が QML のビジネスチャンスとアプリケーションを特定し、すでに出現し始めているもの、また将来出現すると思われるものを紹介する。また、QML技術がどのように進化していくかを論じ、この分野で活躍する25の主要企業や研究機関のプロフィールと共に、QML収益の10年予測も掲載しています。また、量子機械学習のコストや未成熟さ、QMLに最適化されたアルゴリズムの必要性、QMLの最適な導入方法に関するより深い理解など、QMLの成長を阻む要因についても分析しています。


レポートID: IQT-MLDL2024-1024
発行年月:2024年10月

 



ページTOPに戻る


目次

目次:

エグゼクティブ サマリー
E.1 量子機械学習市場を牽引する要因
E.2 QML 向けアルゴリズムとソフトウェアのチャンス
E.2.1 ML から QML への変換: QML の第 1 フェーズ
E.2.2 新しいアルゴリズムと製品: QML の第 2 フェーズ
E.3 ディープラーニングに関する考察
E.4 QML の利点
E.4.1 最適化と一般化の改善
E.4.2 QML と量子の利点
E.5 QML の欠点
E.5.1 QC の高コスト
E.5.2 技術の初期段階
E.5.3 労働力の問題
E.6 QML ロードマップと予測

第 1 章: はじめに
1.1 このレポートの目的
1.2 QML: 考えられる利点
1.2.1 トレーニングの利点と機会
1.2.2 量子の優位性と ML
1.2.3 精度の向上
1.3 QML: 考えられる欠点
1.3.1 トレーニングの課題
1.3.2 量子の優位性に関する不確実性
1.3.3 量子メモリの問題
1.4 予測方法

第 2 章: QML アルゴリズムとソフトウェアの進化
2.1 はじめに
2.2 量子状態へのエンコード
2.2.1 Grovers アルゴリズムの使用
2.3 最適化手法の改善
2.4 量子サポート ベクター マシン
2.5 パラメーター化された量子回路 (PQC)
2.6 大規模なデータ セットを処理する機会: 量子主成分分析
2.7 データのプライバシーとセキュリティに向けたステップ
2.8 QML ソフトウェア製品と企業
2.8.1 Google Tensor Flow Quantum
2.8.2 Pennylane
2.9 QML とメモリ
2.10 QML とクラウド
2.11 QML ソフトウェア企業
2.11.1 AbaQus
2.11.2 Algo Dynamix
2.11.3 Genmat
2.11.4 OTI Lumionics
2.11.5 PlanQC
2.11.6 Qbit
2.11.7 QCWare
2.11.8 QpAI
2.12 QML-as-a-Service

第 3 章: QML の機会: 製品とハードウェアの観点
3.1 機械学習とその出現。
3.2 機械学習の種類
3.3 量子ディープラーニングと量子ニューラルネットワーク
3.3.1 量子ディープラーニング(別名ディープ量子学習)
3.3.2 量子生成敵対ネットワーク
2.3.3 量子バックプロパゲーションの台頭
3.3.4 QML のトランスフォーマー
3.3.5 QDL のパーセプトロン
3.4 ML とデータセットに関するメモ
3.5 QML ロードマップ
3.6 量子アニーリング
3.7 量子アニーリング
3.7.1 ボルツマンマシンに関するメモ
3.7.2 D-Wave
3.8 NISQ コンピューターと QML
3.8.1 Amazon/AWS
3.8.2 Atom Computing
3.8.3 Genmat
3.8.4 GoogleAI
3.8.5 IBM
3.8.6 IonQ
3.8.7 Microsoft
3.8.8 OTI Lumionics
3.8.9 PlanQC
3.8.10 Nordic Quantum Computing
3.8.11 ORCA Computing
3.8.12 Oxford Quantum Circuits
3.8.13 Pasqal
3.8.14 QuEra
3.8.16 Quantinuum
3.8.17 Rigetti
3.8.18 Riverlane
3.9.19 Terra Quantum
3.9.20 Xanadu
3.10 NISQ を超えた QML
3.12 機械学習と QRNG

第 4 章: QML のアプリケーション
4.1 QML の機会の概要
4.2 QML の金融および銀行アプリケーション
4.2.1 Adaptive Finance
4.2.2 Qkrishi
4.3 製薬と QML
4.3.1 Kuano
4.3.2 QuanSys
4.3.3 Quantistry
4.3.4 Q-Chem
4.3.5 MentenAI
4.3.6 ProteinCure
4.3.7 Qoherent
4.5 製造業における QML の応用
4.6 その他の QML の応用

第 5 章: QML の 10 年間の予測
5.1 予測方法
5.1.1 QML を疑う理由
5.2 技術としての QML の予測
5.3 アプリケーション別の QML の予測

ページTOPに戻る



図表リスト

図表リスト
図表E-1:量子機械学習と量子ディープラーニングの10年間の売上(百万ドル)
図表1-1:QMLテーマのバリエーション:量子機械語市場の6つのセグメント
図表1-1:QMLの長所と短所
図表 2-1:ML学習の種類
図表2-2:ソース別のMLデータの特徴
図表3-1:選択されたQMLエンコーディングスキーム
図表3-2:MLトランスフォーマーのアプリケーション
図表4-1:銀行・金融サービスにおけるQMLの応用例
図表4-2:QMLのその他の潜在的アプリケーション
図表5-1:QML/QDLの10年間の売上?QML/QDL (百万ドル)
図表5-2: 10年間の売上高?アプリケーション別QML/QDL (百万ドル)

 

ページTOPに戻る


 

Summary

Machine learning (ML) is one of the most mature segments of the AI market – it dates to the 1950s. ML teaches machines to perform specific tasks and provide accurate results by identifying patterns. The advent of quantum computers has led to speculations on how the power of quantum computing can be applied to ML. A consensus is building that Quantum Machine Learning (QML) can improve classical ML in terms of faster run times, increased learning efficiencies and boosted learning capacity. QML exhibits several emerging trends:

  • Using quantum computers to solve traditional ML problems.
  • Developing improved ML algorithms better suited to QML.
  • Investigating new ways of delivering QML, especially over a cloud.
  • Using classical ML to optimize quantum hardware operations, control systems, and user interfaces.

In this report, IQT Research identifies QML opportunities and applications already beginning to appear and those that we believe will emerge in the future. We also discuss how QML technology will evolve and include ten-year forecasts of QML revenues, along with profiles of 25 profiles of leading firms and research institutes active in the field. The report also analyzes the factors retarding the growth of QML such as the cost and immaturity of quantum machine learning, the need for QML-optimized algorithms and a deeper understanding of how QML is best deployed.


Report: IQT-MLDL2024-1024
Published: October, 2024


ページTOPに戻る


Table of Contents

TABLE OF CONTENTS:
 
Executive Summary
E.1 Factors Driving the Quantum Machine Learning Market
E.2 Opportunities in Algorithms and Software for QML
E.2.1 Translating ML into QML: The First Phase of QML
E.2.2 New Algorithms and Products: The Second Phase of QML
E.3 Thoughts on Deep Learning
E.4 Advantages of QML
E.4.1 Improved Optimization and Generalization
E.4.2 QML and Quantum Advantage
E.5 The Disadvantages of QML
E.5.1 High Cost of QCs
E.5.2 Early Stage of Technology
E.5.3 The Workforce Problem
E.6 QML Roadmap and Forecasts
 
Chapter One: Introduction
1.1 Objective of this Report
1.2 QML: Possible Advantages
1.2.1 Training Advantages and Opportunities
1.2.2 Quantum Advantage and ML
1.2.3 Improved Accuracy
1.3 QML: Possible Disadvantages
1.3.1 Training Challenges
1.3.2 Uncertainty Regarding Quantum Advantage
1.3.3 Quantum Memory Issues
1.4 Forecasting Methodology
 
Chapter Two: Evolution of QML Algorithms and Software
2.1 Introduction
2.2 Encoding into Quantum States
2.2.1 Uses of Grovers Algorithm
2.3 Improved Optimization Techniques
2.4 Quantum Support Vector Machines
2.5 Parametrized Quantum Circuits (PQCs)
2.6 Opportunities for Handling Larger Data Sets: Quantum Principal Component Analysis
2.7 Steps Towards Data Privacy and Security
2.8 QML Software Products and Companies
2.8.1 Google Tensor Flow Quantum
2.8.2 Pennylane
2.9 QML and memories
2.10 QML and the Cloud
2.11 QML Software Companies
2.11.1 AbaQus
2.11.2 Algo Dynamix
2.11.3 Genmat
2.11.4 OTI Lumionics
2.11.5 PlanQC
2.11.6 Qbit
2.11.7 QCWare
2.11.8 QpAI
2.12 QML-as-a-Service
 
Chapter Three: Opportunities for QML: Product and Hardware Perspective
3.1 Machine Learning and its Emergence.
3.2 Types of Machine Learning
3.3 Quantum Deep Learning and Quantum Neural Networks
3.3.1 Quantum Deep Learning (aka Deep Quantum Learning)
3.3.2 Quantum Generative Adversarial Networks
2.3.3 The Rise of Quantum Backpropagation
3.3.4 Transformers in QML
3.3.5 Perceptrons in QDL
3.4 Some Notes on ML and Datasets
3.5 QML Roadmap
3.6 Quantum Annealing
3.7 Quantum Annealing
3.7.1 A Note on Boltzman Machines
3.7.2 D-Wave
3.8 NISQ Computers and QML
3.8.1 Amazon/AWS
3.8.2 Atom Computing
3.8.3 Genmat
3.8.4 GoogleAI
3.8.5 IBM
3.8.6 IonQ
3.8.7 Microsoft
3.8.8 OTI Lumionics
3.8.9 PlanQC
3.8.10 Nordic Quantum Computing
3.8.11 ORCA Computing
3.8.12 Oxford Quantum Circuits
3.8.13 Pasqal
3.8.14 QuEra
3.8.16 Quantinuum
3.8.17 Rigetti
3.8.18 Riverlane
3.9.19 Terra Quantum
3.9.20 Xanadu
3.10 QML beyond NISQ
3.12 Machine Learning and QRNGs
 
Chapter Four: Applications for QML
4.1 Introduction to QML Opportunities
4.2 Financial and Banking Applications for QML
4.2.1 Adaptive Finance
4.2.2 Qkrishi
4.3 Pharma and QML
4.3.1 Kuano
4.3.2 QuanSys
4.3.3 Quantistry
4.3.4 Q-Chem
4.3.5 MentenAI
4.3.6 ProteinCure
4.3.7 Qoherent
4.5 Manufacturing Sector Applications for QML
4.6 Other Applications for QML
 
Chapter Five: Ten-Year Forecasts of QML
5.1 Forecasting Methodology
5.1.1 Reasons to Doubt QML
5.2 Forecast of QML as Technology
5.3 Forecast of QML by Application

ページTOPに戻る



List of Tables/Graphs

Exhibits
Exhibit E-1: Ten-year Revenues from Quantum Machine Learning and Quantum Deep Learning ($ Millions)
Exhibit 1-1: Variations on a QML Theme: The Six Segments of the Quantum Machine Language Market
Exhibit 1-1: Pros and Cons of QML
Exhibit 2-1: Types of ML Learning
Exhibit 2-2: Characteristics of ML Data by Source
Exhibit 3-1: Selected QML Encoding Schemes
Exhibit 3-2: ML Transformer Applications
Exhibit 4-1: Selected Applications for QML in Banking and Financial Services
Exhibit 4-2: Other Potential Applications of QML
Exhibit 5-1: Ten-year Revenues – QML/QDL ($ Millions)
Exhibit 5-2: Ten-year Revenues – QML/ QDL by Application ($ Millions)

 

ページTOPに戻る

ご注文は、お電話またはWEBから承ります。お見積もりの作成もお気軽にご相談ください。

webからのご注文・お問合せはこちらのフォームから承ります

本レポートと同分野(機械学習)の最新刊レポート

本レポートと同じKEY WORD()の最新刊レポート

  • 本レポートと同じKEY WORDの最新刊レポートはありません。

よくあるご質問


Inside Quantum Technology社はどのような調査会社ですか?


米国調査会社インサイドクァンタムテクノロジー(Inside Quantum Technology)は、量子コンピュータシステム、量子暗号デバイスとソフトウェア、量子センサなど量子技術に関連する情報を提... もっと見る


調査レポートの納品までの日数はどの程度ですか?


在庫のあるものは速納となりますが、平均的には 3-4日と見て下さい。
但し、一部の調査レポートでは、発注を受けた段階で内容更新をして納品をする場合もあります。
発注をする前のお問合せをお願いします。


注文の手続きはどのようになっていますか?


1)お客様からの御問い合わせをいただきます。
2)見積書やサンプルの提示をいたします。
3)お客様指定、もしくは弊社の発注書をメール添付にて発送してください。
4)データリソース社からレポート発行元の調査会社へ納品手配します。
5) 調査会社からお客様へ納品されます。最近は、pdfにてのメール納品が大半です。


お支払方法の方法はどのようになっていますか?


納品と同時にデータリソース社よりお客様へ請求書(必要に応じて納品書も)を発送いたします。
お客様よりデータリソース社へ(通常は円払い)の御振り込みをお願いします。
請求書は、納品日の日付で発行しますので、翌月最終営業日までの当社指定口座への振込みをお願いします。振込み手数料は御社負担にてお願いします。
お客様の御支払い条件が60日以上の場合は御相談ください。
尚、初めてのお取引先や個人の場合、前払いをお願いすることもあります。ご了承のほど、お願いします。


データリソース社はどのような会社ですか?


当社は、世界各国の主要調査会社・レポート出版社と提携し、世界各国の市場調査レポートや技術動向レポートなどを日本国内の企業・公官庁及び教育研究機関に提供しております。
世界各国の「市場・技術・法規制などの」実情を調査・収集される時には、データリソース社にご相談ください。
お客様の御要望にあったデータや情報を抽出する為のレポート紹介や調査のアドバイスも致します。



詳細検索

このレポートへのお問合せ

03-3582-2531

電話お問合せもお気軽に

 

2024/11/21 10:26

156.13 円

165.08 円

200.38 円

ページTOPに戻る