論文の概要: Hardware-Aware Quantum Kernel Design Based on Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2506.21161v1
- Date: Thu, 26 Jun 2025 11:38:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-27 19:53:10.063641
- Title: Hardware-Aware Quantum Kernel Design Based on Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークに基づくハードウェア対応量子カーネル設計
- Authors: Yuxiang Liu, Fanxu Meng, Lu Wang, Yi Hu, Sixuan Li, Zaichen Zhang, Xutao Yu,
- Abstract要約: HaQGNNはハードウェア対応の量子カーネル設計フレームワークで、タスク関連量子回路の評価と選択を行う。
我々の研究は、NISQデバイス上での実用的な量子カーネル設計を促進するための学習ベースおよびハードウェア対応戦略の可能性を強調した。
- 参考スコア(独自算出の注目度): 18.080290351942736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum kernel methods have emerged as a promising direction in quantum machine learning (QML), offering a principled way to map classical data into high-dimensional quantum Hilbert spaces. While conceptually powerful, designing effective quantum kernels that adapt to both the target task and the constraints of near-term quantum hardware remains a nontrivial challenge. In this work, we propose HaQGNN, a hardware-aware quantum kernel design framework that integrates quantum device topology, noise characteristics, and graph neural networks (GNNs) to evaluate and select task-relevant quantum circuits. By predicting surrogate metrics related to fidelity and kernel performance, HaQGNN enables efficient circuit screening at scale. Feature selection is further incorporated to improve compatibility with limited-qubit systems and mitigate kernel degradation. Extensive experiments on three benchmark datasets, Credit Card, MNIST-5, and FMNIST-4, demonstrate that HaQGNN outperforms existing quantum kernel baselines in terms of classification accuracy. Our work highlights the potential of learning-based and hardware-aware strategies for advancing practical quantum kernel design on NISQ devices.
- Abstract(参考訳): 量子カーネル法は量子機械学習(QML)において有望な方向として現れ、古典的なデータを高次元の量子ヒルベルト空間にマッピングする原則的な方法を提供している。
概念的には強力だが、ターゲットタスクと短期量子ハードウェアの制約の両方に適応する効果的な量子カーネルを設計することは、難しい課題である。
本研究では,量子デバイストポロジ,ノイズ特性,グラフニューラルネットワーク(GNN)を統合し,タスク関連量子回路の評価と選択を行うハードウェア対応量子カーネル設計フレームワークHaQGNNを提案する。
HaQGNNは、忠実度とカーネル性能に関連するサロゲートメトリクスを予測することにより、大規模に効率的な回路スクリーニングを可能にする。
さらに、限定量子ビットシステムとの互換性を改善し、カーネルの劣化を軽減するために、機能選択が組み込まれている。
Credit Card、MNIST-5、FMNIST-4の3つのベンチマークデータセットに対する大規模な実験により、HaQGNNは分類精度において既存の量子カーネルベースラインよりも優れていることが示された。
我々の研究は、NISQデバイス上での実用的な量子カーネル設計を促進するための学習ベースおよびハードウェア対応戦略の可能性を強調した。
関連論文リスト
- Tensor-Based Binary Graph Encoding for Variational Quantum Classifiers [3.5051814539447474]
変分量子(VQC)を用いたグラフ分類のための新しい量子符号化フレームワークを提案する。
グラフ符号化に適したより複雑な回路を構築することにより、VQCが現在の量子ハードウェアの制約内でグラフを効果的に分類できることを実証する。
論文 参考訳(メタデータ) (2025-01-24T02:26:21Z) - 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) - Neural quantum kernels: training quantum kernels with quantum neural networks [0.0]
本稿では,量子カーネル構築のための量子ニューラルネットワークのトレーニングを提案する。
我々は、ニューラルネットワークを構築するためのいくつかの戦略を提案し、量子ニューラルネットワーク(QNN)をトレーニングするためのスケーラブルな方法を提案する。
論文 参考訳(メタデータ) (2024-01-09T16:08:32Z) - 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) - Scalable Quantum Neural Networks for Classification [11.839990651381617]
本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。
SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
論文 参考訳(メタデータ) (2022-08-04T20:35:03Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳(メタデータ) (2021-04-30T20:38:41Z) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳(メタデータ) (2021-03-31T02:41:36Z) - 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。