論文の概要: Hybrid Parameterized Quantum States for Variational Quantum Learning
- arxiv url: http://arxiv.org/abs/2505.16676v1
- Date: Thu, 22 May 2025 13:40:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-23 17:12:48.334686
- Title: Hybrid Parameterized Quantum States for Variational Quantum Learning
- Title（参考訳）: 変分量子学習のためのハイブリッドパラメタライズド量子状態
- Authors: Chen-Yu Liu,
- Abstract要約: 変分量子学習は、ノイズの多い中間スケール量子(NISQ)時代に実践的な課題に直面している。
この研究は、量子化と古典化を補間する汎用モデリングフレームワークであるHybrid ized Quantum States (HPQS)を導入している。
- 参考スコア（独自算出の注目度）: 0.6798775532273751
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational quantum learning faces practical challenges in the noisy intermediate-scale quantum (NISQ) era. Parameterized quantum circuit (PQC) models suffer from statistical uncertainty due to finite-shot measurements and are highly sensitive to quantum noise, while purely classical approximations like neural quantum states (NQS) lack access to genuine quantum correlations and are limited in scalability. This work introduces Hybrid Parameterized Quantum States (HPQS), a general-purpose modeling framework that interpolates between quantum and classical parameterizations. HPQS combines PQC-based measurements with neural estimators via a blending mechanism and postprocessing functions, enabling enhanced, shot-efficient evaluation under hardware constraints. We demonstrate HPQS across three representative quantum learning tasks: (1) Expectation-based QML, where HPQS yields higher classification accuracy than PQC-only and NQS-only baselines under limited quantum measurements. (2) Quantum-Train, where HPQS generates the entire parameter set of classical networks using polylogarithmic trainable variables; and (3) Quantum Parameter Adaptation (QPA), where HPQS produces LoRA adapter parameters for fine-tuning large language models like GPT-2 and Gemma-2 with improved perplexity under low-shot conditions; Together, these results position HPQS as a scalable, noise-resilient approach for variational quantum learning, compatible with both current NISQ hardware and future fault-tolerant architectures.
- Abstract（参考訳）: 変分量子学習は、ノイズの多い中間スケール量子(NISQ)時代に実践的な課題に直面している。
パラメータ化量子回路(PQC)モデルは有限ショット測定による統計的不確実性に悩まされており、量子ノイズに非常に敏感である。
この研究は、量子化と古典化を補間する汎用モデリングフレームワークであるHybrid Parameterized Quantum States (HPQS)を導入している。
HPQSは、PQCベースの測定をブレンディング機構と後処理機能を通じて神経推定器と組み合わせ、ハードウェア制約下でのショット効率の向上を可能にする。
1) 期待ベースQMLでは,HPQSはPQCのみのベースラインとNQSのみのベースラインよりも高い分類精度が得られる。
2) HPQSが古典的ネットワークのパラメータ集合全体を多対数学習変数を用いて生成する量子トレイン,(3) HPQSがGPT-2やGemma-2のような細調整可能な大規模言語モデルのLoRAアダプタパラメータを低ショット条件で生成する量子パラメータ適応(QPA)。
関連論文リスト
- Post-Variational Ground State Estimation via QPE-Based Quantum Imaginary Time Evolution [0.0]
本稿では,QPEに基づくQPE-QITE(Quantum imaginary Time Evolution)アルゴリズムについて述べる。
変分法とは異なり、QPE-QITEは量子レジスタを低エネルギー固有状態に投影するために追加のアンシラを用いる。
低自己相関バイナリシーケンス(LABS)問題に適用することで,QPE-QITEの機能を示す。
論文 参考訳（メタデータ） (2025-04-15T18:44:14Z) - Bayesian Quantum Amplitude Estimation [49.1574468325115]
本稿では,量子振幅推定のための雑音対応ベイズアルゴリズムであるBAEを紹介する。
我々は,BAEがハイゼンベルク限界推定を達成し,他の手法と比較した。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Programming Variational Quantum Circuits with Quantum-Train Agent [3.360429911727189]
可変量子回路(VQC)の効率的かつスケーラブルなプログラミングを容易にするQT-QFWP(Quantum-Train Quantum Fast Weight Programmer)フレームワークを提案する。
このアプローチは、量子と古典の両方のパラメータ管理を最適化することで、従来のハイブリッド量子古典モデルに対して大きな優位性をもたらす。
QT-QFWPは、関連モデルを効率性と予測精度の両方で上回り、より実用的で費用対効果の高い量子機械学習アプリケーションへの道筋を提供する。
論文 参考訳（メタデータ） (2024-12-02T06:26:09Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - A Quantum Circuit-Based Compression Perspective for Parameter-Efficient Learning [19.178352290785153]
量子パラメータ生成の枠組みに量子s適応(QPA)を導入する。
QPAはQNNと古典的な多層パーセプトロンマッピングモデルを統合し、微調整のためのパラメータを生成する。
Gemma-2とGPT-2をケーススタディとして、QPAはパラメータ効率のよい微調整法に対して重要なパラメータ還元を示す。
論文 参考訳（メタデータ） (2024-10-13T14:09:29Z) - Machine-Learning Insights into the Entanglement-trainability Correlation of Parameterized Quantum Circuits [17.975555487972166]
変分量子アルゴリズム(VQA)は、現在のノイズの多い中間スケールデバイスで量子優位を得るための主要な戦略として登場した。
バレンプラトー(BP)現象の主な原因として、その絡み合い-運動性相関は、それらの応用に挑戦する。
本稿では,パラメータ化量子回路(PQC)のゲート・ツー・テンソル(GTT)符号化法を提案する。
2つの長期記憶ネットワーク(L-Gネットワーク)は、絡み合いとトレーニング可能性の両方を予測するために訓練されている。
論文 参考訳（メタデータ） (2024-06-04T06:28:05Z) - 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) - 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) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - 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。