論文の概要: Hybrid Quantum-Classical Generative Adversarial Networks with Transfer Learning
- arxiv url: http://arxiv.org/abs/2507.09706v1
- Date: Sun, 13 Jul 2025 16:46:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:23.856886
- Title: Hybrid Quantum-Classical Generative Adversarial Networks with Transfer Learning
- Title（参考訳）: トランスファーラーニングを用いたハイブリッド量子古典生成逆数ネットワーク
- Authors: Asma Al-Othni, Saif Al-Kuwari, Mohammad Mahdi Nasiri Fatmehsari, Kamila Zaman, Ebrahim Ardeshir Larijani,
- Abstract要約: GAN(Generative Adversarial Networks)は多様な高忠実な画像を合成する大きな可能性を実証している。
本稿では,転送学習によって補完されるハイブリッド量子古典的GANアーキテクチャについて検討する。
この結果から,VQCをジェネレータと判別器の両方に組み込んだ完全ハイブリッドモデルでは,高画質の画像が連続的に生成されることが示唆された。
- 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: Generative Adversarial Networks (GANs) have demonstrated immense potential in synthesizing diverse and high-fidelity images. However, critical questions remain unanswered regarding how quantum principles might best enhance their representational and computational capacity. In this paper, we investigate hybrid quantum-classical GAN architectures supplemented by transfer learning to systematically examine whether incorporating Variational Quantum Circuits (VQCs) into the generator, the discriminator, or both improves performance over a fully classical baseline. Our findings indicate that fully hybrid models, which incorporate VQCs in both the generator and the discriminator, consistently produce images of higher visual quality and achieve more favorable quantitative metrics compared to their fully classical counterparts. In particular, VQCs in the generator accelerate early feature learning, whereas those in the discriminator, despite exhibiting slower initial convergence, ultimately facilitate more refined synthetic outputs. Moreover, the model sustains near-comparable performance even when the dataset size is drastically reduced, suggesting that transfer learning and quantum enhancements mitigate the problem of data scarcity. Overall, the results underscore that carefully integrating quantum computing with classical adversarial training and pretrained feature extraction can considerably enrich GAN-based image synthesis. These insights open avenues for future work on higher-resolution tasks, alternative quantum circuit designs, and experimentation with emerging quantum hardware.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)は多様な高忠実な画像を合成する大きな可能性を実証している。
しかし、量子原理が表現力や計算能力をどのように向上させるかについては、批判的な疑問が残る。
本稿では,変分量子回路(VQC)をジェネレータに組み込むか,判別器に組み込むか,あるいは完全に古典的なベースライン上での性能を向上させるかを系統的に検討するために,トランスファーラーニングによって補完されるハイブリッド量子古典的GANアーキテクチャについて検討する。
この結果から,VQCをジェネレータと判別器の両方に組み込んだ完全ハイブリッドモデルでは,画像の画質が向上し,従来のモデルに比べて測定精度が向上することが示唆された。
特に、発電機のVQCは初期の特徴学習を加速するが、判別器のVQCは初期収束が遅いにもかかわらず、最終的にはより洗練された合成出力を促進する。
さらに,データセットサイズが大幅に削減された場合でも,ほぼ互換性のある性能を保ち,転送学習と量子化の強化がデータ不足の問題を緩和することを示唆している。
全体としては、量子コンピューティングと古典的敵対的トレーニングと事前訓練された特徴抽出とを慎重に統合することで、GANベースの画像合成をかなり強化できるという結果が得られた。
これらの知見は、将来の高解像度タスク、代替量子回路設計、新興量子ハードウェアの実験への道を開く。
関連論文リスト
- Unitary Scrambling and Collapse: A Quantum Diffusion Framework for Generative Modeling [5.258882634977828]
画像生成のための最初の完全量子拡散に基づくフレームワークであるQSC-Diffusionを提案する。
逆ノイズ発生のためのパラメータ化量子回路を用いる。
注目すべきは、QSC-Diffusionは複数のデータセット間で競合するFIDスコアを達成することだ。
論文 参考訳（メタデータ） (2025-06-12T11:00:21Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。
量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。
量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
論文 参考訳（メタデータ） (2025-04-05T17:25:26Z) - Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。
QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。
合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
論文 参考訳（メタデータ） (2025-04-05T02:52:37Z) - LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。
本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
論文 参考訳（メタデータ） (2024-09-22T23:18:06Z) - 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) - Variational Quantum Circuits Enhanced Generative Adversarial Network [5.209320054725053]
我々は、GAN(QC-GAN)を改善するためのハイブリッド量子古典アーキテクチャを提案する。
QC-GANは1層ニューラルネットワークと共に量子変動回路で構成され、識別器は従来のニューラルネットワークで構成されている。
また、QC-GANが16ドル以上の画像を生成することのできない代替量子GAN、すなわちpathGANよりも優れていることを示した。
論文 参考訳（メタデータ） (2024-02-02T03:59:35Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳（メタデータ） (2020-12-07T18:51:28Z) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳（メタデータ） (2020-10-13T06:57:17Z)
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。