論文の概要: GuiderNet: A Meta-Learning Framework for Optimizing Quantum Circuit Geometry and Mitigating Barren Plateaus
- arxiv url: http://arxiv.org/abs/2506.21940v1
- Date: Fri, 27 Jun 2025 06:30:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-30 21:12:23.105625
- Title: GuiderNet: A Meta-Learning Framework for Optimizing Quantum Circuit Geometry and Mitigating Barren Plateaus
- Title（参考訳）: GuiderNet: 量子回路形状の最適化とバレン高原の緩和のためのメタラーニングフレームワーク
- Authors: Marwan Ait Haddou, Mohamed Bennai,
- Abstract要約: データ依存パラメータシフトを用いた量子回路(PQC)を強化するメタラーニングフレームワークである GuiderNet を紹介する。
GuiderNetは累積トレーニング損失を5倍以上減らし、テスト精度を75.3%から98.6%に改善し、マイノリティクラスF1スコアを0.67から0.95に引き上げている。
その結果、幾何学的メタコンディショニングはバレンプラトーと不条件を緩和し、量子機械学習の一般化にスケーラブルなアプローチを提供することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Variational Quantum Algorithms (VQAs) offer potential for near-term quantum advantage but face challenges from barren plateaus, where gradients vanish, and poorly conditioned optimization landscapes. We introduce GuiderNet, a meta-learning framework that conditions Parameterized Quantum Circuits (PQCs) using data-dependent parameter shifts aimed at minimizing the log condition number of the Fubini-Study metric tensor. Implemented as a classical neural network, GuiderNet is meta-trained to guide PQC parameters into geometrically favorable regions and is embedded within hybrid quantum-classical pipelines to steer both initialization and adaptive modulation during training. Applied to the Kaggle Diabetes classification task, GuiderNet reduces cumulative training loss by over 5x, improves test accuracy from 75.3% to 98.6%, and increases the minority-class F1 score from 0.67 to 0.95. It also suppresses gradient explosion and stabilizes parameter updates, enabling smoother and more robust optimization. These results demonstrate that geometric meta-conditioning can mitigate barren plateaus and ill-conditioning, providing a scalable approach to enhance trainability and generalization in quantum machine learning.
- Abstract（参考訳）: 変分量子アルゴリズム(VQA)は、短期的な量子優位の可能性をもっているが、勾配が消える不規則な高原からの課題に直面している。
本稿では,フビニ・スタディ計量テンソルのログ条件数を最小化することを目的としたデータ依存パラメータシフトを用いて,パラメータ化量子回路(PQC)を条件付けるメタラーニングフレームワークである GuiderNet を紹介する。
古典的ニューラルネットワークとして実装された GuiderNet は,PQC パラメータを幾何学的に好適な領域にガイドするためにメタトレーニングされている。
Kaggle Diabetes分類タスクに適用されたガイドネットは、累積トレーニング損失を5倍以上に減らし、テスト精度を75.3%から98.6%に改善し、マイノリティクラスのF1スコアを0.67から0.95に引き上げている。
また、勾配の爆発を抑制し、パラメータの更新を安定化し、スムーズで堅牢な最適化を可能にする。
これらの結果は、幾何学的メタコンディショニングがバレンプラトーとイリコンディショニングを緩和し、量子機械学習におけるトレーニング容易性と一般化を強化するスケーラブルなアプローチを提供することを示す。
関連論文リスト
- Variational quantum algorithms with exact geodesic transport [0.0]
変分量子アルゴリズム(VQA)は、量子コンピュータの短期的応用に期待できる候補である。
本稿では,変分量子回路の解析的リーマン最適化を可能にする曲率対応フレームワークVQAを紹介する。
論文 参考訳（メタデータ） (2025-06-20T18:00:10Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - GAQAT: gradient-adaptive quantization-aware training for domain generalization [54.31450550793485]
そこで本研究では,DGのためのGAQAT(Gradient-Adaptive Quantization-Aware Training)フレームワークを提案する。
我々のアプローチは、低精度量子化におけるスケール・グラディエント・コンフリクト問題を特定することから始まる。
GAQATフレームワークの有効性を実験により検証した。
論文 参考訳（メタデータ） (2024-12-07T06:07:21Z) - Guided-SPSA: Simultaneous Perturbation Stochastic Approximation assisted by the Parameter Shift Rule [4.943277284710129]
本稿では,パラメータシフト則とSPSAに基づく勾配近似を有意に組み合わせた新しい勾配推定手法である Guided-SPSAを提案する。
Guided-SPSAは、同じもしくはより良い解の最適性のためのトレーニング中に必要となる回路評価回数を15%から25%削減する。
本稿では、回帰、分類、強化学習など、量子機械学習の様々なパラダイムにおけるガイド付きSPSAの性能を示す。
論文 参考訳（メタデータ） (2024-04-24T09:13:39Z) - Improving Convergence for Quantum Variational Classifiers using Weight
Re-Mapping [60.086820254217336]
近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。
重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。
修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
論文 参考訳（メタデータ） (2022-12-22T13:23:19Z) - Mode connectivity in the loss landscape of parameterized quantum
circuits [1.7546369508217283]
パラメータ化量子回路(PQC)の変分訓練は、近時雑音型中間スケール量子(NISQ)デバイスに多く採用されている。
PQCトレーニングにおける損失ランドスケープの特徴を研究するために、引用したraxler 2018essentiallyで使用されるコネクティビティの視覚化とテストを行うために、citegoodfellowqualitatively,li 2017で導入されたニューラルネットワークの定性的な損失ランドスケープのキャラクタリゼーションを適用した。
論文 参考訳（メタデータ） (2021-11-09T18:28:46Z) - Quantum Optimization for Training Quantum Neural Networks [16.780058676633914]
量子最適化アルゴリズムを利用して、特定のタスクに最適なQNNのパラメータを見つけるためのフレームワークを考案する。
ネットワークパラメータのヒルベルト空間における重ね合わせ状態の相対位相にQNNのコスト関数をコヒーレントに符号化する。
論文 参考訳（メタデータ） (2021-03-31T13:06:30Z) - FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits [105.54048699217668]
任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。
FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
論文 参考訳（メタデータ） (2021-03-15T17:38:33Z) - GradInit: Learning to Initialize Neural Networks for Stable and
Efficient Training [59.160154997555956]
ニューラルネットワークを初期化するための自動化およびアーキテクチャ手法であるgradinitを提案する。
各ネットワーク層の分散は、SGDまたはAdamの単一ステップが最小の損失値をもたらすように調整される。
また、学習率のウォームアップを伴わずに、オリジナルのPost-LN Transformerを機械翻訳用にトレーニングすることもできる。
論文 参考訳（メタデータ） (2021-02-16T11:45:35Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z)
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。