Fugu-MT 論文翻訳(概要): Quantum Adaptive Excitation Network with Variational Quantum Circuits for Channel Attention

論文の概要: Quantum Adaptive Excitation Network with Variational Quantum Circuits for Channel Attention

arxiv url: http://arxiv.org/abs/2507.11217v1
Date: Tue, 15 Jul 2025 11:40:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-16 19:46:03.094335
Title: Quantum Adaptive Excitation Network with Variational Quantum Circuits for Channel Attention
Title（参考訳）: チャネルアテンションのための変分量子回路を用いた量子適応励起ネットワーク
Authors: Yu-Chao Hsu, Kuan-Cheng Chen, Tai-Yue Li, Nan-Yow Chen,
Abstract要約: 量子適応励起ネットワーク(QAE-Net)について紹介する。 QAE-Netは、畳み込みニューラルネットワーク(CNN)におけるチャネルアテンションメカニズムを強化するために設計されたハイブリッド量子古典フレームワークである。
参考スコア（独自算出の注目度）: 0.2812395851874055
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we introduce the Quantum Adaptive Excitation Network (QAE-Net), a hybrid quantum-classical framework designed to enhance channel attention mechanisms in Convolutional Neural Networks (CNNs). QAE-Net replaces the classical excitation block of Squeeze-and-Excitation modules with a shallow Variational Quantum Circuit (VQC), leveraging quantum superposition and entanglement to capture higher-order inter-channel dependencies that are challenging to model with purely classical approaches. We evaluate QAE-Net on benchmark image classification tasks, including MNIST, FashionMNIST, and CIFAR-10, and observe consistent performance improvements across all datasets, with particularly notable gains on tasks involving three-channel inputs. Furthermore, experimental results demonstrate that increasing the number of variational layers in the quantum circuit leads to progressively higher classification accuracy, underscoring the expressivity benefits of deeper quantum models. These findings highlight the potential of integrating VQCs into CNN architectures to improve representational capacity while maintaining compatibility with near-term quantum devices. The proposed approach is tailored for the Noisy Intermediate-Scale Quantum (NISQ) era, offering a scalable and feasible pathway for deploying quantum-enhanced attention mechanisms in practical deep learning workflows.
Abstract（参考訳）: 本稿では、畳み込みニューラルネットワーク(CNN)におけるチャネルアテンションメカニズムを強化するために設計されたハイブリッド量子古典的フレームワークである量子適応励起ネットワーク(QAE-Net)を紹介する。 QAE-Netは、Squeeze-and-Excitationモジュールの古典的な励起ブロックを浅い変分量子回路(VQC)に置き換え、量子重ね合わせと絡み合いを利用して、純粋に古典的なアプローチでモデル化することが難しい高次のチャネル間の依存関係をキャプチャする。我々は、ベンチマーク画像分類タスク(MNIST、FashionMNIST、CIFAR-10など)におけるQAE-Netを評価し、3チャンネル入力を含むタスクにおいて特に顕著な利得とともに、全データセットにおける一貫したパフォーマンス改善を観察する。さらに、実験結果から、量子回路の変動層数の増加は、より深い量子モデルの表現率の利点を裏付ける、徐々に高い分類精度をもたらすことが示されている。これらの知見は、短期量子デバイスとの互換性を維持しつつ、表現能力を向上させるためにVQCをCNNアーキテクチャに統合する可能性を強調している。提案手法は、実用的なディープラーニングワークフローに量子強化されたアテンションメカニズムをデプロイするためのスケーラブルで実現可能な経路を提供する、NISQ(Noisy Intermediate-Scale Quantum)時代に合わせて調整されている。

関連論文リスト

Iterative Quantum Feature Maps [0.0]
量子回路を量子特徴写像(QFM)として活用する量子機械学習モデルは、学習タスクにおける表現力の向上によって認識される。実際の量子ハードウェアに深いQFMをデプロイすることは、回路ノイズとハードウェアの制約のため、依然として難しい。提案するIterative Quantum Feature Map (IQFMs)は,浅部QFMを古典的に計算された拡張重みで反復的に接続することにより,深いアーキテクチャを構築するハイブリッド量子古典的フレームワークである。
論文参考訳（メタデータ） (2025-06-24T09:40:10Z)
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)
Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。微分可能最適化を用いた自動解法を提案する。
論文参考訳（メタデータ） (2025-05-13T19:01:08Z)
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)
Quantum Pointwise Convolution: A Flexible and Scalable Approach for Neural Network Enhancement [0.0]
本稿では,量子ニューラルネットワークフレームワークにポイントワイズ畳み込みを組み込んだ新しいアーキテクチャを提案する。量子回路を用いてデータを高次元空間にマッピングし、より複雑な特徴関係を捉える。実験では、FashionMNISTとCIFAR10データセットの分類タスクに量子ポイントワイズ畳み込み層を適用した。
論文参考訳（メタデータ） (2024-12-02T08:03:59Z)
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)
Channel Attention for Quantum Convolutional Neural Networks [0.0]
量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習の最も有望なアルゴリズムの1つとして注目を集めている。本稿では,QCNNのチャネルアテンション機構を提案し,量子位相分類問題に対する本手法の有効性を示す。
論文参考訳（メタデータ） (2023-11-06T04:54:05Z)
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)
Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文参考訳（メタデータ） (2022-08-29T15:24:03Z)
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)
Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文参考訳（メタデータ） (2020-10-20T12:06:27Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。