論文の概要: Revealing Quantum Information Encoded in Classical Images

• arxiv url: http://arxiv.org/abs/2506.17529v1
• Date: Sat, 21 Jun 2025 00:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.459816
• Title: Revealing Quantum Information Encoded in Classical Images
• Title（参考訳）: 古典的画像に符号化された量子情報の探索
• Authors: Otmane Ainelkitane, Brian Recktenwall-Calvet, Aasma Iqbal, Carlos C. N. Kuhn,
• Abstract要約: 画像特徴抽出のための2つのCNOTゲートのみで設計された単純な量子前処理フィルタカーネルについて検討する。 CNOTゲートが2つしかない小さな回路は3つの異なる空間対称性で設計でき、それぞれが異なる分類に影響を及ぼす。 このフィルタは、単純で狭いネットワークと組み合わせて分類を改善するが、複雑な古典的手法を超えない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we investigate a simple quantum pre-processing filter kernel designed with only two CNOT gates for image feature extraction. We examine the impact of these filters when combined with a classical neural network for image classification tasks. Our main hypothesis is that this circuit can extract pixel correlation information that classical filters cannot. This approach is akin to a convolutional neural network, but with quantum layers replacing convolutional layers to extract spatial pixel entanglement. We found that a small circuit with just two CNOT gates can be engineered in three different spatial symmetries, each affecting classification differently. While the filter improves classification when combined with a simple, narrow network, it does not surpass complex classical methods. However, the filter demonstrates potential to enhance classification performance in more sophisticated architectures. Despite this, our empirical results show no clear correlation between the observed improvements and the level of entanglement in the quantum circuit, as measured by Von Neumann Entropy. The underlying cause of this improvement remains unclear and warrants further investigation.
• Abstract（参考訳）: 本研究では,2つのCNOTゲートしか持たない単純な量子前処理フィルタカーネルを画像特徴抽出のために検討した。 画像分類タスクにおいて,従来のニューラルネットワークと組み合わせることで,これらのフィルタが与える影響について検討する。 我々の主な仮説は、この回路が古典フィルタではできない画素相関情報を抽出できるということである。 このアプローチは畳み込みニューラルネットワークに似ているが、空間ピクセルの絡みを抽出するために畳み込み層を置き換える量子層がある。 CNOTゲートが2つしかない小さな回路を3つの異なる空間対称性で設計できることがわかった。 このフィルタは、単純で狭いネットワークと組み合わせて分類を改善するが、複雑な古典的手法を超えない。 しかし,このフィルタにより,より高度なアーキテクチャにおける分類性能が向上する可能性が示された。 これにもかかわらず、フォン・ノイマン・エントロピー(Von Neumann Entropy)によって測定された量子回路における観測された改善点と絡み合いのレベルの間には明らかな相関は示されていない。 この改善の根本原因はまだ不明であり、さらなる調査が保証されている。

関連論文リスト

• HQFNN: A Compact Quantum-Fuzzy Neural Network for Accurate Image Classification [0.3595507621009123]
  高量子化ファジィニューラルネットワーク(HQFNN)は、量子信号を軽量CNN特徴抽出器に結合する。 HQFNNは、古典的でファジィで量子のみのベースラインを一貫して超越している。 ゲートカウント解析は、回路深さが入力次元と直交的に増加することを示している。
  論文  参考訳（メタデータ） (2025-06-11T09:12:20Z)
• Selective Filtering of Photonic Quantum Entanglement via Anti-Parity-Time Symmetry [32.09520868775991]
  エンタングルメント(Entanglement)は、量子コンピューティング、センシング、通信のための重要なリソースである。 非エルミート系を利用した絡み合い検索の新しい手法を提案する。 我々の研究は、量子技術における中心的な課題に対処するために非エルミート対称性を使用するための新しい洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-08T00:31:07Z)
• Hybrid Quantum-Classical Convolutional Neural Networks for Image Classification in Multiple Color Spaces [4.048174267427361]
  ハイブリッド量子古典畳み込みニューラルネットワーク(HQCNN)は、性能改善の可能性を示している。 色空間間の画像分類を評価するHQCNNを提案する。 MNIST, CIFAR-10, EuroSAT, SAT-4データセットの性能評価を行った。
  論文  参考訳（メタデータ） (2024-06-04T11:46:56Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• 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)
• Image Classification by Throwing Quantum Kitchen Sinks at Tensor Networks [0.0]
  量子機械学習のための新しい回路アンサッツを提案する。 画像分類における新しいアンザッツの性能を実証的に評価するための数値実験を行った。 機能最適化の追加により、パフォーマンスが大幅に向上し、画像分類のための最先端の量子回路が実現された。
  論文  参考訳（メタデータ） (2022-08-29T21:38:22Z)
• On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
  ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。 この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。 マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
  論文  参考訳（メタデータ） (2021-09-20T12:41:50Z)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Quantum Enhanced Filter: QFilter [0.0]
  本稿では,量子および古典計算を利用するハイブリッド画像分類モデルを提案する。 この方法は、畳み込みネットワークが人工知能で示した可能性を利用する。
  論文  参考訳（メタデータ） (2021-04-07T22:20:20Z)
• Permute, Quantize, and Fine-tune: Efficient Compression of Neural Networks [70.0243910593064]
  ベクトル量子化の成功の鍵は、どのパラメータ群を一緒に圧縮するかを決定することである。 本稿では,隣り合う2つの層の重みを同じ関数を表現しながら不変にすることができることを観察する。 次に、レート歪み理論への接続を確立し、圧縮し易いネットワークとなる置換を探索する。
  論文  参考訳（メタデータ） (2020-10-29T15:47:26Z)

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。