論文の概要: Distributed Quantum Neural Networks on Distributed Photonic Quantum Computing

• arxiv url: http://arxiv.org/abs/2505.08474v1
• Date: Tue, 13 May 2025 11:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.545894
• Title: Distributed Quantum Neural Networks on Distributed Photonic Quantum Computing
• Title（参考訳）: 分散フォトニック量子コンピューティングによる分散量子ニューラルネットワーク
• Authors: Kuan-Cheng Chen, Chen-Yu Liu, Yu Shang, Felix Burt, Kin K. Leung,
• Abstract要約: トレーニング可能なパラメータが$M(M+1)/2$のフォトニック量子ニューラルネットワーク(QNN)は高次元確率分布を生成する。 フォトニックQTの精度は95.50% pm 0.84%$で、パラメータは3,292である。 フォトニックQTは6-12%の絶対精度で古典的な圧縮技術より優れている。
• 参考スコア（独自算出の注目度）: 3.299179876684316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a distributed quantum-classical framework that synergizes photonic quantum neural networks (QNNs) with matrix-product-state (MPS) mapping to achieve parameter-efficient training of classical neural networks. By leveraging universal linear-optical decompositions of $M$-mode interferometers and photon-counting measurement statistics, our architecture generates neural parameters through a hybrid quantum-classical workflow: photonic QNNs with $M(M+1)/2$ trainable parameters produce high-dimensional probability distributions that are mapped to classical network weights via an MPS model with bond dimension $\chi$. Empirical validation on MNIST classification demonstrates that photonic QT achieves an accuracy of $95.50\% \pm 0.84\%$ using 3,292 parameters ($\chi = 10$), compared to $96.89\% \pm 0.31\%$ for classical baselines with 6,690 parameters. Moreover, a ten-fold compression ratio is achieved at $\chi = 4$, with a relative accuracy loss of less than $3\%$. The framework outperforms classical compression techniques (weight sharing/pruning) by 6--12\% absolute accuracy while eliminating quantum hardware requirements during inference through classical deployment of compressed parameters. Simulations incorporating realistic photonic noise demonstrate the framework's robustness to near-term hardware imperfections. Ablation studies confirm quantum necessity: replacing photonic QNNs with random inputs collapses accuracy to chance level ($10.0\% \pm 0.5\%$). Photonic quantum computing's room-temperature operation, inherent scalability through spatial-mode multiplexing, and HPC-integrated architecture establish a practical pathway for distributed quantum machine learning, combining the expressivity of photonic Hilbert spaces with the deployability of classical neural networks.
• Abstract（参考訳）: 本稿では,古典的ニューラルネットワークのパラメータ効率のトレーニングを実現するために,光量子ニューラルネットワーク(QNN)と行列積状態(MPS)マッピングを併用した分散量子古典的フレームワークを提案する。 M$(M+1)/2$のトレーニング可能なパラメータを持つフォトニックQNNは、結合次元$\chi$のMPSモデルを用いて古典的ネットワーク重みにマッピングされた高次元の確率分布を生成する。 MNIST分類に関する実証的な検証は、フォトニックQTが3,292パラメータ(\chi = 10$)を使用して9,5.50\% \pm 0.84\%$の精度を達成することを示した。 さらに10倍圧縮比は$\chi = 4$で、相対的精度損失は$3\%以下である。 このフレームワークは、古典的な圧縮技術(重み付け/プルーニング)を6～12倍の絶対精度で上回り、圧縮されたパラメータの古典的な展開を通じて推論中に量子ハードウェアの要求をなくす。 現実的なフォトニックノイズを取り入れたシミュレーションは、フレームワークの短期的ハードウェア欠陥に対する堅牢性を示している。 フォトニックQNNをランダム入力に置き換えると、確率レベル(10.0\% \pm 0.5\%$)の精度が崩壊する。 フォトニック量子コンピューティングの室温演算、空間モード多重化による固有のスケーラビリティ、HPC統合アーキテクチャは、光ニックヒルベルト空間の表現率と古典的ニューラルネットワークの展開可能性を組み合わせた分散量子機械学習の実用的な経路を確立する。

関連論文リスト

• Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints [2.3895835682351287]
  量子畳み込みニューラルネットワーク(CNN)は、古典的アプローチを上回る可能性を秘めている。 本稿では,入力次元を大幅に削減する符号化方式を提案する。 我々はIBMのHeron r2量子プロセッサの実験を検証し、分類精度は96.08%である。
  論文  参考訳（メタデータ） (2025-05-09T11:09:52Z)
• Photonic Quantum Convolutional Neural Networks with Adaptive State Injection [0.39928148142956393]
  我々は、状態注入を備えた粒子数保存回路に基づいて、最初のフォトニック量子畳み込みニューラルネットワーク(PQCNN)を設計、実験的に実装した。 半導体量子ドットを用いた単一光子源を用いたフォトニックプラットフォーム上でのバイナリ画像分類のためのPQCNNを実験的に検証した。 短期量子デバイスと互換性のある非線形ボソンサンプリングタスクに対する単純な適応手法の可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-29T17:57:01Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。 両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。 実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• Fully on-chip photonic turnkey quantum source for entangled qubit/qudit state generation [0.0]
  集積フォトニクスは、最近、チップフォーマットにおける光絡み合った量子状態の実現と処理のための主要なプラットフォームとなっている。 ここでは、レーザーキャビティの統合によりこれらの課題を克服する、完全に統合された量子光源を実証する。 ハイブリッド量子源は電気的に励起されたInPゲイン部とSi$_3$N$_4$低損失マイクロリングフィルタを用いる。
  論文  参考訳（メタデータ） (2022-06-17T12:14:21Z)
• 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)
• Near-ideal spontaneous photon sources in silicon quantum photonics [55.41644538483948]
  集積フォトニクスは量子情報処理のための堅牢なプラットフォームである。 非常に区別がつかず純粋な単一の光子の源は、ほぼ決定的か高い効率で隠蔽されている。 ここでは、これらの要件を同時に満たすオンチップ光子源を実証する。
  論文  参考訳（メタデータ） (2020-05-19T16:46:44Z)

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。