論文の概要: HaQGNN: Hardware-Aware Quantum Kernel Design Based on Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.21161v2
• Date: Mon, 14 Jul 2025 01:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 20:53:35.101015
• Title: HaQGNN: Hardware-Aware Quantum Kernel Design Based on Graph Neural Networks
• Title（参考訳）: HaQGNN: 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, Xutao Yu, Zaichen Zhang,
• Abstract要約: HaQGNN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)を統合する、ハードウェア対応の量子カーネル設計手法である。 本結果は,短期量子ハードウェア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型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: Designing effective quantum kernels is a central challenge in Quantum Machine Learning (QML), particularly under the limitations of Noisy Intermediate-Scale Quantum (NISQ) devices with a limited number of qubits, error-prone gate operations, and restricted qubit connectivity. To address this, we propose HaQGNN, a hardware-aware quantum kernel design method that integrates quantum device topology, noise characteristics, and Graph Neural Networks (GNNs) to evaluate and select task-relevant quantum circuits that define quantum kernels. First, each quantum circuit is represented as a directed acyclic graph that encodes hardware-specific features, including gate types, target qubits, and noise characteristics. Next, two GNNs are trained to predict surrogate metrics, Probability of Successful Trials (PST) and Kernel-Target Alignment (KTA), for fast and accurate fidelity and performance estimation. Additionally, feature selection is further incorporated to reduce input dimensionality and improve compatibility with limited-qubit devices. Finally, extensive experiments on three benchmark datasets, Credit Card (CC), MNIST-5, and FMNIST-4, demonstrate that HaQGNN outperforms existing baselines in terms of classification accuracy. Our results highlight the potential of learning-based and hardware-aware strategies for advancing practical quantum kernel design on near-term quantum hardware.
• Abstract（参考訳）: 量子カーネルを効果的に設計することは量子機械学習(QML)における中心的な課題であり、特にノイズ中間スケール量子(NISQ)デバイスに限定されたキュービット数、エラーを起こしやすいゲート操作、制限されたキュービット接続の制限の下でである。 そこで本研究では,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,量子カーネルを定義する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手法HaQGNNを提案する。 まず、各量子回路は、ゲートタイプ、ターゲット量子ビット、ノイズ特性を含むハードウェア固有の特徴を符号化した有向非巡回グラフとして表現される。 次に、2つのGNNがサロゲートメトリクスの予測、PST(Probability of successfully Trials)とKernel-Target Alignment(KTA)をトレーニングし、高速で正確な忠実度と性能の推定を行う。 さらに、入力次元を小さくし、限られた量子ビットデバイスとの互換性を改善するために、特徴選択が組み込まれている。 最後に、Credit Card(CC)、MNIST-5、FMNIST-4の3つのベンチマークデータセットに関する広範な実験により、HaQGNNは分類精度において既存のベースラインよりも優れていることを示した。 本結果は,短期量子ハードウェア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型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。