論文の概要: Comparative Analysis of QNN Architectures for Wind Power Prediction: Feature Maps and Ansatz Configurations

• arxiv url: http://arxiv.org/abs/2506.14795v1
• Date: Sat, 31 May 2025 19:17:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.682492
• Title: Comparative Analysis of QNN Architectures for Wind Power Prediction: Feature Maps and Ansatz Configurations
• Title（参考訳）: 風力発電予測のためのQNNアーキテクチャの比較分析:特徴マップとアンザッツ構成
• Authors: Batuhan Hangun, Emine Akpinar, Oguz Altun, Onder Eyecioglu,
• Abstract要約: 量子機械学習(QML)は、絡み合いや重畳といった量子力学の原理を活用することで、古典的な機械学習手法を強化することを目的としている。 この研究は、量子ニューラルネットワーク(QNN)にヒントを得た人工知能ニューラルネットワーク(ANN)を広範囲に評価する。 本稿では,QNNが予測タスクにおける古典的手法よりも優れており,実世界のアプリケーションにおけるQMLの可能性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Machine Learning (QML) is an emerging field at the intersection of quantum computing and machine learning, aiming to enhance classical machine learning methods by leveraging quantum mechanics principles such as entanglement and superposition. However, skepticism persists regarding the practical advantages of QML, mainly due to the current limitations of noisy intermediate-scale quantum (NISQ) devices. This study addresses these concerns by extensively assessing Quantum Neural Networks (QNNs)-quantum-inspired counterparts of Artificial Neural Networks (ANNs), demonstrating their effectiveness compared to classical methods. We systematically construct and evaluate twelve distinct QNN configurations, utilizing two unique quantum feature maps combined with six different entanglement strategies for ansatz design. Experiments conducted on a wind energy dataset reveal that QNNs employing the Z feature map achieve up to 93% prediction accuracy when forecasting wind power output using only four input parameters. Our findings show that QNNs outperform classical methods in predictive tasks, underscoring the potential of QML in real-world applications.
• Abstract（参考訳）: 量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと機械学習の交差点における新興分野であり、絡み合いや重畳といった量子力学の原理を活用することによって古典的な機械学習手法を強化することを目的としている。 しかし、QMLの実用的優位性については懐疑論が続き、主にノイズの多い中間スケール量子(NISQ)デバイスの現在の制限のためである。 本研究は、量子ニューラルネットワーク(QNN)に端を発する量子ニューラルネットワーク(ANN)を広範囲に評価することにより、これらの懸念に対処し、従来の手法と比較してその効果を実証する。 2つのユニークな量子特徴写像と6つの異なるエンタングルメント戦略を組み合わせることで、12の異なるQNN構成を体系的に構築し、評価する。 風力エネルギーデータセットを用いて行った実験では、4つの入力パラメータのみを用いて風力出力を予測する際に、Z特徴マップを用いたQNNが最大93%の予測精度を達成することが明らかになった。 以上の結果から,QNNは予測タスクにおける古典的手法よりも優れており,実世界の応用におけるQMLの可能性が強調されている。

関連論文リスト

• 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)
• The inherent convolution property of quantum neural networks [1.799933345199395]
  量子ニューラルネットワーク(QNN)は、量子コンピューティングとディープラーニングの先駆的な交差点である。 我々はQNNに固有の基本的な畳み込み特性を明らかにし、量子状態における量子ゲート演算の自然な並列性から導かれる。 本稿では,QNNの畳み込み特性を明示的に活用する新しいQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-11T12:30:17Z)
• Training Classical Neural Networks by Quantum Machine Learning [9.002305736350833]
  本研究では、量子系の指数的に大きなヒルベルト空間を利用する古典的ニューラルネットワーク(NN)のトレーニングスキームを提案する。 既存の量子機械学習(QML)法とは異なり、我々の手法を用いた量子コンピュータから得られた結果は、古典的なコンピュータで直接利用できる。
  論文  参考訳（メタデータ） (2024-02-26T10:16:21Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)
• 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)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。