論文の概要: High-expressibility Quantum Neural Networks using only classical resources

• arxiv url: http://arxiv.org/abs/2506.13605v1
• Date: Mon, 16 Jun 2025 15:29:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.801494
• Title: High-expressibility Quantum Neural Networks using only classical resources
• Title（参考訳）: 古典的資源のみを用いた高表現能量子ニューラルネットワーク
• Authors: Marco Maronese, Francesco Ferrari, Matteo Vandelli, Daniele Dragoni,
• Abstract要約: 本稿ではQNNアプリケーションでよく用いられるパラメタライズド量子回路の表現可能性について検討する。 QNNにおける高い表現性は、純粋に古典的なリソースで達成可能である。
• 参考スコア（独自算出の注目度）: 2.349637893207168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum neural networks (QNNs), as currently formulated, are near-term quantum machine learning architectures that leverage parameterized quantum circuits with the aim of improving upon the performance of their classical counterparts. In this work, we show that some desired properties attributed to these models can be efficiently reproduced without necessarily resorting to quantum hardware. We indeed study the expressibility of parametrized quantum circuit commonly used in QNN applications and contrast it to those of two classes of states that can be efficiently simulated classically: matrix-product states (MPS), and Clifford-enhanced MPS (CMPS), obtained by applying a set of Clifford gates to MPS. In addition to expressibility, we assess the level of primary quantum resources, entanglement and non-stabilizerness (a.k.a. "magic"), in random ensembles of such quantum states, tracking their convergence to the Haar distribution. While MPS require a large number of parameters to reproduce an arbitrary quantum state, we find that CMPS approach the Haar distribution more rapidly, in terms of both entanglement and magic. Our results indicate that high expressibility in QNNs is attainable with purely classical resources.
• Abstract（参考訳）: 現在定式化されている量子ニューラルネットワーク(QNN)は、パラメータ化量子回路を活用し、従来の量子回路の性能を改善することを目的とした、短期的な量子機械学習アーキテクチャである。 本研究では,これらのモデルに起因する所望の特性を,必ずしも量子ハードウェアに頼らずに効率的に再現可能であることを示す。 実際、QNNアプリケーションでよく用いられるパラメタライズド量子回路の表現性について研究し、これを古典的に効率的にシミュレートできる状態の2つのクラス、すなわち行列生成状態(MPS)とクリフォード拡張MPS(CMPS)と比較する。 表現性に加えて、そのような量子状態のランダムアンサンブルにおいて、一次量子資源、絡み合い、非安定化性(すなわち「魔法」)のレベルを評価し、ハール分布への収束を追跡する。 MPSは任意の量子状態を再現するために多数のパラメータを必要とするが、CMPSは絡み合いと魔法の両方の観点からより高速にハール分布に近づく。 以上の結果から,QNNの高表現性は古典的資源で実現可能であることが示唆された。

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)
• 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)
• Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine [0.9968037829925945]
  我々は,CO2捕捉アミンの構造-適合関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。 HQNNは、塩基性、粘性、沸点、融点、蒸気圧などの主要な溶媒特性の予測精度を向上させる。
  論文  参考訳（メタデータ） (2025-03-01T07:26:45Z)
• 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)
• Combining Matrix Product States and Noisy Quantum Computers for Quantum Simulation [0.0]
  行列生成状態(MPS)と演算子(MPO)は、量子多体系を研究するための強力なツールであることが証明されている。 テンソルネットワークの形で古典的な知識を用いることで、制限された量子資源をよりよく活用できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T17:21:52Z)
• 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)
• Evaluating the performance of sigmoid quantum perceptrons in quantum neural networks [0.0]
  量子機械学習のための有望なアーキテクチャとして量子ニューラルネットワーク(QNN)が提案されている。 1つの候補は古典的パーセプトロンの非線形活性化関数をエミュレートするために設計された量子パーセプトロンである。 本稿では,SQPネットワークの性能と性能を,その有効次元と有効容量の計算によって評価する。
  論文  参考訳（メタデータ） (2022-08-12T10:08:11Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。