論文の概要: Quantum Recurrent Embedding Neural Network

• arxiv url: http://arxiv.org/abs/2506.13185v1
• Date: Mon, 16 Jun 2025 07:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.700712
• Title: Quantum Recurrent Embedding Neural Network
• Title（参考訳）: 量子再帰型埋め込みニューラルネットワーク
• Authors: Mingrui Jing, Erdong Huang, Xiao Shi, Shengyu Zhang, Xin Wang,
• Abstract要約: 本稿では、ResNetの高速トラック情報経路にインスパイアされた量子リカレント埋め込みニューラルネットワーク(QRENN)を提案する。 我々は、QRENN回路のトレーニング可能性の厳密な証明を提供し、このディープ量子ニューラルネットワークがバレンプラトーを回避することができることを示した。 その結果、量子ニューラルネットワークに再帰的なデータ埋め込みのパワーと、スケーラブルな量子教師あり学習の可能性を強調した。
• 参考スコア（独自算出の注目度）: 11.54075064463256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum neural networks have emerged as promising quantum machine learning models, leveraging the properties of quantum systems and classical optimization to solve complex problems in physics and beyond. However, previous studies have demonstrated inevitable trainability issues that severely limit their capabilities in the large-scale regime. In this work, we propose a quantum recurrent embedding neural network (QRENN) inspired by fast-track information pathways in ResNet and general quantum circuit architectures in quantum information theory. By employing dynamical Lie algebras, we provide a rigorous proof of the trainability of QRENN circuits, demonstrating that this deep quantum neural network can avoid barren plateaus. Notably, the general QRENN architecture resists classical simulation as it encompasses powerful quantum circuits such as QSP, QSVT, and DQC1, which are widely believed to be classically intractable. Building on this theoretical foundation, we apply our QRENN to accurately classify quantum Hamiltonians and detect symmetry-protected topological phases, demonstrating its applicability in quantum supervised learning. Our results highlight the power of recurrent data embedding in quantum neural networks and the potential for scalable quantum supervised learning in predicting physical properties and solving complex problems.
• Abstract（参考訳）: 量子ニューラルネットワークは有望な量子機械学習モデルとして登場し、量子システムの特性と古典的な最適化を活用して物理学などの複雑な問題を解決する。 しかし、以前の研究では、大規模な体制におけるその能力を大幅に制限する必然的な訓練可能性の問題が示されていた。 本研究では、ResNetにおける高速トラック情報経路と量子情報理論における一般量子回路アーキテクチャに着想を得た量子リカレント埋め込みニューラルネットワーク(QRENN)を提案する。 動的リー代数を用いることで、QRENN回路のトレーニング可能性の厳密な証明を提供し、この深い量子ニューラルネットワークがバレンプラトーを回避することができることを示した。 特に、QRENNアーキテクチャは古典的シミュレーションに抵抗し、QSP、QSVT、DQC1といった量子回路を包含している。 この理論基盤に基づいて、量子ハミルトンを正確に分類し、対称性に保護された位相位相を検出するQRENNを適用し、量子教師あり学習に適用可能であることを示す。 この結果は、量子ニューラルネットワークに再帰的なデータ埋め込みのパワーと、物理特性の予測と複雑な問題の解決におけるスケーラブルな量子教師あり学習の可能性を強調した。

関連論文リスト

• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [48.670876200492415]
  変分量子アルゴリズム(VQA)は、強力なノイズ中間スケール量子(NISQ)コンピュータを利用するための有望なアプローチである。 本稿では,量子混合状態の進化をモデルとしたQASアルゴリズムである$rho$DARTSを提案する。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
  量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。 ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。 微分可能最適化を用いた自動解法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T19:01:08Z)
• Predicting Chaotic Systems with Quantum Echo-state Networks [1.349950008899546]
  古典的エコー状態ネットワーク(ESN)の実装と改善を目的とした量子回路(QC)について検討する。 QESNは、量子コンピュータのユニークな能力を活用することで、違法に大規模な貯水池の必要性を減らすことを目指している。 カオスロレンツシステムにおいて,ノイズモデルとノイズレスモデルの両方を用いてシミュレーションQC実験を行い,回路性能を実証した。
  論文  参考訳（メタデータ） (2024-12-10T20:39:16Z)
• Shedding Light on the Future: Exploring Quantum Neural Networks through Optics [3.1935899800030096]
  量子ニューラルネットワーク(QNN)は、急速に発展する量子機械学習分野において、新興技術として重要な役割を果たす。 本稿では,QNNの概念とその物理的実現,特に量子光学に基づく実装について概説する。
  論文  参考訳（メタデータ） (2024-09-04T08:49:57Z)
• Learning Quantum Processes with Memory -- Quantum Recurrent Neural Networks [0.0]
  本稿では,散逸性量子ニューラルネットワークに基づく完全量子リカレントニューラルネットワークを提案する。 これらのアルゴリズムが複雑な量子過程をメモリで学習する可能性を実証する。 数値シミュレーションにより、我々の量子リカレントニューラルネットワークは、小さなトレーニングセットから一般化する顕著な能力を示すことが示された。
  論文  参考訳（メタデータ） (2023-01-19T16:58:39Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum neural networks with deep residual learning [29.929891641757273]
  本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
  論文  参考訳（メタデータ） (2020-12-14T18:11:07Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。