論文の概要: Quantum Complex-Valued Self-Attention Model

• arxiv url: http://arxiv.org/abs/2503.19002v1
• Date: Mon, 24 Mar 2025 12:39:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 02:13:56.256
• Title: Quantum Complex-Valued Self-Attention Model
• Title（参考訳）: 量子複素値自己アテンションモデル
• Authors: Fu Chen, Qinglin Zhao, Li Feng, Longfei Tang, Yangbin Lin, Haitao Huang,
• Abstract要約: 現在の量子自己アテンションモデルは、量子システムに固有の必要不可欠な位相情報を無視することで制限を示す。 本稿では、量子状態間の複素値類似性を明示的に活用する最初のフレームワークである量子複素値自己保持モデル(QCSAM)を提案する。 本稿では,QKSAN,QSAN,GQHANを含む近年の量子自己アテンションアーキテクチャよりもモデルの方が優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.777382084653599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The self-attention mechanism has revolutionized classical machine learning, yet its quantum counterpart remains underexplored in fully harnessing the representational power of quantum states. Current quantum self-attention models exhibit a critical limitation by neglecting the indispensable phase information inherent in quantum systems when compressing attention weights into real-valued overlaps. To address this fundamental gap, we propose the Quantum Complex-Valued Self-Attention Model (QCSAM), the first framework that explicitly leverages complex-valued similarities between quantum states to capture both amplitude and phase relationships. Simultaneously, we enhance the standard Linear Combination of Unitaries (LCUs) method by introducing a Complex LCUs (CLCUs) framework that natively supports complex-valued coefficients. This framework enables the weighting of corresponding quantum values using fixed quantum complex self-attention weights, while also supporting trainable complex-valued parameters for value aggregation and quantum multi-head attention. Experimental evaluations on MNIST and Fashion-MNIST demonstrate our model's superiority over recent quantum self-attention architectures including QKSAN, QSAN, and GQHAN, with multi-head configurations showing consistent advantages over single-head variants. We systematically evaluate model scalability through qubit configurations ranging from 3 to 8 qubits and multi-class classification tasks spanning 2 to 4 categories. Through comprehensive ablation studies, we establish the critical advantage of complex-valued quantum attention weights over real-valued alternatives.
• Abstract（参考訳）: 自己保持機構は古典的な機械学習に革命をもたらしたが、量子状態の表現力を完全に活用するには量子対位法が未熟である。 現在の量子自己アテンションモデルは、注意重みを実数値オーバーラップに圧縮する際に、量子システムに固有の必要不可欠な位相情報を無視することで、限界を示す。 この基本的なギャップを解決するために,量子状態間の複素値類似性を明示的に活用し,振幅と位相の関係を捉える量子複素値自己保持モデル (QCSAM) を提案する。 同時に、複素数値係数をネイティブにサポートする複雑なLCU(CLCU)フレームワークを導入することにより、標準線形ユニタリ結合(LCU)手法を強化する。 このフレームワークは、固定量子複素自己アテンション重みを用いた対応する量子値の重み付けを可能にし、同時に、値集約と量子マルチヘッドアテンションのためのトレーニング可能な複素値パラメータをサポートする。 MNISTとFashion-MNISTの実験的評価は、QKSAN、QSAN、GQHANを含む最近の量子自己アテンションアーキテクチャよりもモデルの方が優れていることを示す。 3から8のキュービット構成と2から4のカテゴリにまたがるマルチクラス分類タスクにより,モデルのスケーラビリティを体系的に評価する。 包括的アブレーション研究を通じて、実数値の代替よりも複雑な量子的注意重みの批判的優位性を確立する。

関連論文リスト

• Dynamics of Quantum Coherence and Non-Classical Correlations in Open Quantum System Coupled to a Squeezed Thermal Bath [0.0]
  圧縮熱貯留層に結合した2ビット開放量子系の量子コヒーレンスと非古典的相関のダイナミクスについて検討する。 その結果, 量子共鳴, 量子不協和, 局所的量子不確実性, および量子フィッシャー情報などの非古典的相関は, 集合的状態に非常に敏感であることがわかった。 この研究は理論的な進歩を現実世界の応用に橋渡しし、環境デコヒーレンスの影響下で量子資源を活用するための包括的な枠組みを提供する。
  論文  参考訳（メタデータ） (2024-12-19T14:46:09Z)
• Mixed-Dimensional Qudit State Preparation Using Edge-Weighted Decision Diagrams [3.393749500700096]
  量子コンピュータは難解な問題を解く可能性がある。 このポテンシャルを利用するための重要な要素の1つは、多値系(qudit)のために量子状態を効率的に準備する能力である。 本稿では,混合次元系に着目した量子状態生成法について検討する。
  論文  参考訳（メタデータ） (2024-06-05T18:00:01Z)
• QUSL: Quantum Unsupervised Image Similarity Learning with Enhanced Performance [14.288836269941207]
  QUSLは教師なし学習に類似した三つ子を使用し、アンカー画像の摂動によって正のサンプルを生成する。 臨界量子資源の利用を50%以上削減する。 量子リソースが少ない一方で、QUSLは大規模な教師なしタスクの可能性を示している。
  論文  参考訳（メタデータ） (2024-04-02T15:17:09Z)
• Quantum Mixed-State Self-Attention Network [3.1280831148667105]
  本稿では,自然言語処理タスクのためのQMSAN(Quantum Mixed-State Self-Attention Network)を提案する。 QMSANは混合状態に基づく量子アテンション機構を使用し、量子領域内のクエリとキー間の直接的な類似度推定を可能にする。 また、回路内の固定量子ゲートを介して実装された革新的な量子位置符号化方式を提案し、追加の量子ビットリソースを使わずにシーケンス情報をキャプチャする能力を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T11:29:05Z)
• 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)
• Quantum benefit of the quantum equation of motion for the strongly coupled many-body problem [0.0]
  量子運動方程式 (quantum equation of motion, QEOM) はフェルミオン多体系の励起特性を計算するためのハイブリッド量子古典アルゴリズムである。 我々は、qEOMが要求される量子測定数の独立性により量子的利益を示すことを明らかに示している。
  論文  参考訳（メタデータ） (2023-09-18T22:10:26Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• On-the-fly Tailoring towards a Rational Ansatz Design for Digital Quantum Simulations [0.0]
  量子デバイスで物理的に実現可能な低深さ量子回路を開発することが不可欠である。 我々は,最適なアンサッツを動的に調整できるアンサッツ構成プロトコルを開発した。 アンザッツの構成は、エネルギーソートと演算子の可換性事前スクリーニングによって並列量子アーキテクチャで実行される可能性がある。
  論文  参考訳（メタデータ） (2023-02-07T11:22:01Z)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)
• Quantum Phases of Matter on a 256-Atom Programmable Quantum Simulator [41.74498230885008]
  決定論的に作成された中性原子の2次元配列に基づくプログラマブル量子シミュレータを実証する。 我々は高忠実度反強磁性状態の生成と特徴付けによりシステムをベンチマークする。 次に、相互作用とコヒーレントレーザー励起の間の相互作用から生じるいくつかの新しい量子相を作成し、研究する。
  論文  参考訳（メタデータ） (2020-12-22T19:00:04Z)

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。