論文の概要: Learnability of a hybrid quantum-classical neural network for graph-structured quantum data

• arxiv url: http://arxiv.org/abs/2401.15665v3
• Date: Tue, 26 Aug 2025 03:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.39819
• Title: Learnability of a hybrid quantum-classical neural network for graph-structured quantum data
• Title（参考訳）: グラフ構造化量子データのためのハイブリッド量子古典ニューラルネットワークの学習可能性
• Authors: Yanying Liang, Sile Tang, Zhehao Yi, Haozhen Situ, Zhu-Jun Zheng,
• Abstract要約: 我々は、グラフ構造化量子データを扱うために、Res-HQCNNと呼ばれる深層学習を伴うハイブリッド量子古典ニューラルネットワークを設計する。 その結果,残差構造によりより深いRes-HQCNNモデルでグラフ構造化量子データをより効率的に高精度に学習できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.8920934738244022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-structured data commonly arise in many real-world applications, and this extends naturally into the quantum setting, where quantum data with inherent graph structures are frequently generated by typical quantum data sources. However, existing state-of-the-art models often lack training and evaluation on deeper quantum neural networks. In this work, we design a hybrid quantum-classical neural network with deep residual learning, termed Res-HQCNN, specifically designed to handle graph-structured quantum data.Building upon this architecture, we systematically explore the interplay between residual block structures and graph information in both training and testing phases. Through extensive experiments, we demonstrate that incorporating graph structure information into the quantum data significantly improves learning efficiency compared to the existing model. Additionally, we conduct comparative experiments to evaluate the effectiveness of residual blocks. Our results show that the residual structure enables deeper Res-HQCNN models to learn graph-structured quantum data more efficiently and accurately.
• Abstract（参考訳）: グラフ構造化データは、多くの実世界のアプリケーションで一般的に発生し、これは自然に量子設定に拡張され、そこでは固有のグラフ構造を持つ量子データが典型的な量子データソースによって頻繁に生成される。 しかし、既存の最先端モデルは、より深い量子ニューラルネットワークのトレーニングと評価を欠いていることが多い。 本研究では、グラフ構造化量子データを扱うために設計されたRes-HQCNNと呼ばれる、深い残差学習を伴うハイブリッド量子古典ニューラルネットワークを設計する。 大規模な実験を通じて,グラフ構造情報を量子データに組み込むことで,既存のモデルと比較して学習効率が大幅に向上することが実証された。 さらに,残差ブロックの有効性を評価するための比較実験を行った。 その結果,残差構造によりより深いRes-HQCNNモデルでグラフ構造化量子データをより効率的に高精度に学習できることが示唆された。

関連論文リスト

• Feature Prediction in Quantum Graph Recurrent Neural Networks with Applications in Information Hiding [0.0]
  量子グラフリカレントニューラルネットワーク(QGRNN)を用いて、古典的なグラフ構造化データを処理する。 以上の結果より,QGRNNは高い特徴再構成精度を示し,ほぼ完全な分類が可能であった。 また、QGRNNに基づいて、メッセージがグラフに埋め込まれ、ある条件下で検索される情報隠蔽手法を提案する。
  論文  参考訳（メタデータ） (2025-06-29T08:49:56Z)
• Inductive Graph Representation Learning with Quantum Graph Neural Networks [0.40964539027092917]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフ構造化データ処理を組み合わせるための有望なアプローチを示す。 本稿では,量子モデルをアグリゲータとして利用する,古典的なグラフSAGEアプローチにインスパイアされた汎用QGNNフレームワークを提案する。 我々の量子アプローチは、回路変更を必要とせず、様々な数の原子を持つ分子をまたいだ堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2025-03-31T14:04:08Z)
• QGHNN: A quantum graph Hamiltonian neural network [30.632260870411177]
  グラフニューラルネットワーク(GNN)は、複雑な高次元グラフデータによってもたらされる課題に対処する。 量子ニューラルネットワーク(QNN)は、量子並列性の可能性から、魅力的な代替手段を提供する。 本稿では、ノイズの多い中間規模量子コンピュータ上でのグラフ表現と学習を強化する量子グラフハミルトンニューラルネットワーク(QGHNN)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T10:15:17Z)
• Graph Neural Networks on Quantum Computers [3.8784640343151184]
  グラフニューラルネットワーク(GNN)は、グラフとして表される構造化データを分析するための強力な機械学習モデルである。 本稿では,量子コンピュータ上でGNNを実装するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-27T11:31:08Z)
• A Comparison Between Invariant and Equivariant Classical and Quantum Graph Neural Networks [3.350407101925898]
  グラフニューラルネットワーク(GNN)のような深層幾何学的手法は、高エネルギー物理学における様々なデータ解析タスクに活用されている。 典型的なタスクはジェットタグであり、ジェットは異なる特徴とそれらの構成粒子間のエッジ接続を持つ点雲と見なされる。 本稿では,古典的グラフニューラルネットワーク(GNN)と,その量子回路との公平かつ包括的な比較を行う。
  論文  参考訳（メタデータ） (2023-11-30T16:19:13Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
  まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。 本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。 今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
  論文  参考訳（メタデータ） (2022-02-19T02:56:47Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantum machine learning of graph-structured data [0.38581147665516596]
  グラフ構造化量子データについて検討し、量子ニューラルネットワークによる量子機械学習の実施方法について述べる。 我々は、この追加グラフ構造を体系的に利用して量子学習アルゴリズムを改善する方法について説明する。
  論文  参考訳（メタデータ） (2021-03-19T14:39:19Z)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。