論文の概要: HQNET: Harnessing Quantum Noise for Effective Training of Quantum Neural Networks in NISQ Era
- arxiv url: http://arxiv.org/abs/2402.08475v5
- Date: Thu, 11 Sep 2025 13:21:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-12 13:52:32.591814
- Title: HQNET: Harnessing Quantum Noise for Effective Training of Quantum Neural Networks in NISQ Era
- Title（参考訳）: HQNET: NISQ時代の量子ニューラルネットワークの効果的なトレーニングのための量子ノイズのハーネス化
- Authors: Muhammad Kashif, Muhammad Shafique,
- Abstract要約: ノイズ中間量子(NISQ)時代には、量子ニューラルネットワーク(QNN)の効果的なトレーニングが不可欠である。
本稿では、量子ノイズがQNNのトレーニング可能性にどのように影響するかを考察し、キュービット計測観測器の慎重に選択することでこれらの効果を緩和できることを示す。
- 参考スコア（独自算出の注目度）: 2.717526933594264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective training of Quantum Neural Networks (QNNs) is crucial in the Noisy Intermediate-Scale Quantum (NISQ) era, where noise accelerates the onset of barren plateaus (BPs) and limits scalability. This paper investigates how quantum noise impacts QNN trainability and demonstrates that careful selection of qubit measurement observables can mitigate these effects. We analyze PauliX, PauliY, PauliZ, and a customized Hermitian observable under both global (all-qubit measured) and local (single-qubit measured) cost functions. Our results show that with global cost function, PauliX and PauliY lead to flatter landscapes under noise, while PauliZ maintains training up to $8$ qubits before encountering BPs. The customized Hermitian observable proves most robust, enabling training up to $10$ qubits in noisy settings. For local cost function setting, PauliZ outperforms PauliX and PauliY, maintaining efficiency up to $10$ qubits. These findings highlight the importance of noise-aware observable selection, offering a practical strategy to improve QNN performance and advance quantum machine learning in noisy environments.
- Abstract（参考訳）: ノイズがバレンプラトー(BP)の開始を加速し、拡張性を制限する、ノイズ中間量子(NISQ)時代には、量子ニューラルネットワーク(QNN)の効果的なトレーニングが不可欠である。
本稿では,量子ノイズがQNNのトレーニング可能性にどのように影響するかを考察し,その影響を緩和できることを示す。
パウリX、パウリY、パウリZ、および大域的(全量子計測)と局所的(単一量子計測)の両方のコスト関数の下で、カスタマイズされたエルミート可観測関数を解析する。
この結果から,グローバルコスト関数では,パウリXとパウリYは騒音下で平らになり,パウリZはBPに遭遇する前に最大8ドルキュービットのトレーニングを続けていることがわかった。
カスタマイズされたHermitianオブザーバブルは最も堅牢で、ノイズの多い設定で最大10ドルのキュービットのトレーニングを可能にする。
ローカルコスト関数設定では、PauliZ は PauliX と PauliY を上回り、最大 10 キュービットの効率を維持している。
これらの知見は、ノイズ対応可観測選択の重要性を強調し、QNN性能を改善し、ノイズの多い環境で量子機械学習を前進させる実用的な戦略を提供する。
関連論文リスト
- NRQNN: The Role of Observable Selection in Noise-Resilient Quantum Neural Networks [4.348591076994875]
本稿では,ノイズ条件下での量子ニューラルネットワーク(QNN)のトレーニングに伴う複雑さについて検討する。
まず、バレンプラトー(BP)が理想的条件よりもノイズの多い量子環境で容易に現れることを実証した。
そこで我々は,QNNのノイズに対する耐性を高めるために,キュービット計測を慎重に選択することを提案する。
論文 参考訳（メタデータ） (2025-02-18T08:32:47Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Dynamic Resource Allocation with Quantum Error Detection [8.436934066461625]
パウリチェックを適用した新しい資源配分フレームワークを提案する。
本稿では,量子系の雑音特性を推定する可能性を強調する。
パウリチェックによる動的量子リソース割り当ては、最先端のマッピング技術より優れていることを示す。
論文 参考訳（メタデータ） (2024-08-10T14:21:45Z) - Noise-induced shallow circuits and absence of barren plateaus [2.5295633594332334]
雑音がほとんどの量子回路を効果的に対数深度に切り離すことを示す。
次に,非単位雑音下での量子回路は,局所可観測物からなるコスト関数に対するバレンプラトーの欠如を証明した。
論文 参考訳（メタデータ） (2024-03-20T19:00:49Z) - Demonstration of Robust and Efficient Quantum Property Learning with
Shallow Shadows [1.412425180760368]
本稿では,現在の量子コンピューティングプラットフォーム上での量子状態のキャラクタリゼーションのための,頑健な浅層影プロトコルを提案する。
提案プロトコルは, 期待値, 忠実度, 絡み合いエントロピーなどの状態特性を, サンプルの複雑さを低く保ちながら正確に復元する。
この理論的および実験的分析を組み合わせることで、ロバストな浅い影プロトコルは、スケーラブルで堅牢でサンプル効率のよいプロトコルとして位置づけられる。
論文 参考訳（メタデータ） (2024-02-27T21:53:32Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Efficient learning of the structure and parameters of local Pauli noise
channels [1.5229257192293197]
n量子ビット上のパウリノイズチャネルを学習するための新しい手法を提案する。
我々は,Breslerによる画期的な成果を利用して,ギブズ測度を効率的に学習することで,その結果を達成した。
提案手法は,他の望ましい特徴を諦めることなく,サンプル数と後処理の両面で効率的である。
論文 参考訳（メタデータ） (2023-07-06T12:42:49Z) - 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) - The effect of quantum noise on algorithmic perfect quantum state
transfer on NISQ processors [0.0]
典型的な量子ウォーク問題の打上げ時間と忠実度に及ぼす量子ノイズの影響について検討する。
パウリのノイズは励起伝達の忠実さのピークをほとんど外し、クォービット間のクロストークは打上げ時間にほとんど影響を与えている。
論文 参考訳（メタデータ） (2021-10-28T14:25:09Z) - QuantumNAT: Quantum Noise-Aware Training with Noise Injection,
Quantization and Normalization [22.900530292063348]
量子回路(PQC)は、短期量子ハードウェアにおける量子優位性を約束している。
しかし、大きな量子ノイズ(エラー)のため、PQCモデルの性能は実際の量子デバイスで著しく低下する。
本稿では,PQC固有のフレームワークであるQuantumNATを提案する。
論文 参考訳（メタデータ） (2021-10-21T17:59:19Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。