論文の概要: On the Importance of Fundamental Properties in Quantum-Classical Machine Learning Models

• arxiv url: http://arxiv.org/abs/2507.10161v1
• Date: Mon, 14 Jul 2025 11:18:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.764762
• Title: On the Importance of Fundamental Properties in Quantum-Classical Machine Learning Models
• Title（参考訳）: 量子古典型機械学習モデルにおける基本特性の重要性について
• Authors: Silvie Illésová, Tomasz Rybotycki, Piotr Gawron, Martin Beseda,
• Abstract要約: 本稿では、量子回路設計が因果分類タスクにおけるハイブリッド量子古典ニューラルネットワークの性能にどのように影響するかを体系的に研究する。 このアーキテクチャは、古典的な特徴抽出のための畳み込みニューラルネットワークと、量子層として機能するパラメータ化量子回路を組み合わせる。 その結果、アンザッツ繰り返しの増加は一般化と訓練の安定性を向上させるが、利点は一定の深さを超える傾向にあることが示された。 複数軸のパウリ回転を持つエンコーディングだけが学習を成功させる一方で、より単純なマップはクラス分離性の不足や損失につながる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a systematic study of how quantum circuit design, specifically the depth of the variational ansatz and the choice of quantum feature mapping, affects the performance of hybrid quantum-classical neural networks on a causal classification task. The architecture combines a convolutional neural network for classical feature extraction with a parameterized quantum circuit acting as the quantum layer. We evaluate multiple ansatz depths and nine different feature maps. Results show that increasing the number of ansatz repetitions improves generalization and training stability, though benefits tend to plateau beyond a certain depth. The choice of feature mapping is even more critical: only encodings with multi-axis Pauli rotations enable successful learning, while simpler maps lead to underfitting or loss of class separability. Principal Component Analysis and silhouette scores reveal how data distributions evolve across network stages. These findings offer practical guidance for designing quantum circuits in hybrid models. All source codes and evaluation tools are publicly available.
• Abstract（参考訳）: 本稿では、量子回路設計、特に変分アンサッツの深さと量子特徴マッピングの選択が、因果分類タスクにおけるハイブリッド量子古典ニューラルネットワークの性能にどのように影響するかを体系的に研究する。 このアーキテクチャは、古典的な特徴抽出のための畳み込みニューラルネットワークと、量子層として機能するパラメータ化量子回路を組み合わせる。 複数のアンザッツ深度と9種類の特徴写像を評価した。 その結果、アンザッツ繰り返しの増加は一般化と訓練の安定性を向上させるが、利点は一定の深さを超える傾向にあることが示された。 複数軸のパウリ回転を持つエンコーディングだけが学習を成功させる一方で、より単純なマップはクラス分離性の不足や損失につながる。 主成分分析とシルエットスコアは、データ分散がネットワークステージ間でどのように進化するかを示す。 これらの知見は、ハイブリッドモデルで量子回路を設計するための実用的なガイダンスを提供する。 すべてのソースコードと評価ツールが公開されている。

関連論文リスト

• Enhanced image classification via hybridizing quantum dynamics with classical neural networks [0.0]
  本稿では,古典的ニューラルネットワークと量子多体系の非平衡力学を組み合わせたハイブリッドプロトコルを提案する。 このアーキテクチャは、古典的なニューラルネットワークを活用して、高次元データを効率的に処理し、量子多体システム上で効果的にエンコードする。
  論文  参考訳（メタデータ） (2025-07-18T00:15:14Z)
• Leveraging Quantum Layers in Classical Neural Networks [0.0]
  この論文は、古典的な畳み込みニューラルネットワークアーキテクチャにおける量子層の統合を探求する。 実験では、ニューラルネットワークパイプラインの異なる段階における量子層挿入のパフォーマンスへの影響について検討した。
  論文  参考訳（メタデータ） (2025-07-16T15:12:53Z)
• Let the Quantum Creep In: Designing Quantum Neural Network Models by Gradually Swapping Out Classical Components [1.024113475677323]
  現代のAIシステムはニューラルネットワーク上に構築されることが多い。 古典的ニューラルネットワーク層を量子層に置き換える枠組みを提案する。 画像分類データセットの数値実験を行い、量子部品の体系的導入による性能変化を実証する。
  論文  参考訳（メタデータ） (2024-09-26T07:01:29Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• What can we learn from quantum convolutional neural networks? [15.236546465767026]
  量子データを利用したモデルが、隠れた特徴写像を通してどのように解釈できるかを示す。 量子位相認識の高性能は、臨界点における鋭い特徴を持つ非常に効果的な基底を生成することから生じる。 我々の分析は量子データを扱う際の一般化の改善を強調している。
  論文  参考訳（メタデータ） (2023-08-31T12:12:56Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• An unsupervised feature learning for quantum-classical convolutional network with applications to fault detection [5.609958919699706]
  本稿では,量子特徴抽出器の階層構造を学習するために,量子古典的畳み込みネットワークのための単純な教師なし手法を提案する。 提案手法の主な貢献は、量子回路アンサッツにおける量子特性の差を最大化するために、$K$-meansクラスタリングを使用することである。
  論文  参考訳（メタデータ） (2021-07-17T03:16:59Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)

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。