論文の概要: Quantum Boltzmann Machines using Parallel Annealing for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2507.14116v2
- Date: Tue, 29 Jul 2025 10:20:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 14:59:51.374658
- Title: Quantum Boltzmann Machines using Parallel Annealing for Medical Image Classification
- Title（参考訳）: 並列アニーリングを用いた医用画像分類のための量子ボルツマンマシン
- Authors: Daniëlle Schuman, Mark V. Seebode, Tobias Rohe, Maximilian Balthasar Mansky, Michael Schroedl-Baumann, Jonas Stein, Claudia Linnhoff-Popien, Florian Krellner,
- Abstract要約: 我々は、量子ボルツマンマシン(QBM)を教師付き環境で訓練するために使用する並列量子アニールの改良版を提案する。
我々の実験によると、我々のアプローチを用いたQBMは、同様の大きさの畳み込みニューラルネットワーク(CNN)と同等の合理的な結果が得られる。
- 参考スコア（独自算出の注目度）: 3.9495857941602446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Exploiting the fact that samples drawn from a quantum annealer inherently follow a Boltzmann-like distribution, annealing-based Quantum Boltzmann Machines (QBMs) have gained increasing popularity in the quantum research community. While they harbor great promises for quantum speed-up, their usage currently stays a costly endeavor, as large amounts of QPU time are required to train them. This limits their applicability in the NISQ era. Following the idea of No\`e et al. (2024), who tried to alleviate this cost by incorporating parallel quantum annealing into their unsupervised training of QBMs, this paper presents an improved version of parallel quantum annealing that we employ to train QBMs in a supervised setting. Saving qubits to encode the inputs, the latter setting allows us to test our approach on medical images from the MedMNIST data set (Yang et al., 2023), thereby moving closer to real-world applicability of the technology. Our experiments show that QBMs using our approach already achieve reasonable results, comparable to those of similarly-sized Convolutional Neural Networks (CNNs), with markedly smaller numbers of epochs than these classical models. Our parallel annealing technique leads to a speed-up of almost 70 % compared to regular annealing-based BM executions.
- Abstract（参考訳）: 量子アニーラーから抽出されたサンプルがボルツマン様の分布に本質的に従っているという事実が発覚し、アニーリングベースの量子ボルツマンマシン(QBM)は量子研究コミュニティで人気が高まっている。
量子スピードアップには大きな約束があるが、現在の使用法は、トレーニングに大量のQPU時間を必要とするため、コストのかかる努力が続けられている。
これにより、NISQ時代における適用性が制限される。
並列量子アニールを教師なしQBMのトレーニングに組み込むことで,このコストを軽減しようとするNo\`e et al (2024) のアイデアに従い, 教師なしQBMのトレーニングに使用した並列量子アニールの改良版を提案する。
入力を符号化するためにキュービットを節約することで、MedMNISTデータセット(Yang et al , 2023)から医用画像へのアプローチをテストすることができる。
実験の結果,本手法を用いたQBMは,従来のモデルに比べて極めて少ないエポック数で,CNN(Crevolutional Neural Networks)に匹敵する合理的な結果が得られた。
我々の並列焼鈍技術は、通常の焼鈍によるBM実行と比較して約70%のスピードアップをもたらす。
関連論文リスト
- High-expressibility Quantum Neural Networks using only classical resources [2.349637893207168]
本稿ではQNNアプリケーションでよく用いられるパラメタライズド量子回路の表現可能性について検討する。
QNNにおける高い表現性は、純粋に古典的なリソースで達成可能である。
論文 参考訳（メタデータ） (2025-06-16T15:29:28Z) - 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) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - On Quantum Annealing Without a Physical Quantum Annealer [0.0]
量子加速アニーリング(QASA)のハイブリッド量子古典の提案と評価を行う。
シミュレーションの結果,QASAはSAと相容れない性能を示したが,段差は小さくなった。
論文 参考訳（メタデータ） (2023-07-19T00:37:34Z) - Combining Matrix Product States and Noisy Quantum Computers for Quantum
Simulation [0.0]
行列生成状態(MPS)と演算子(MPO)は、量子多体系を研究するための強力なツールであることが証明されている。
テンソルネットワークの形で古典的な知識を用いることで、制限された量子資源をよりよく活用できることを示す。
論文 参考訳（メタデータ） (2023-05-30T17:21:52Z) - Training Quantum Boltzmann Machines with the $β$-Variational Quantum Eigensolver [0.3670008893193884]
量子ボルツマンマシン(Quantum Boltzmann machine, QBM)は、古典的データと量子状態の両方に対する生成機械学習モデルである。
我々は,$beta$-VQEで得られる低ランク表現が,低ランクターゲット状態の学習に有効な方法であることを示す。
物理量子デバイス上でのトレーニングモデルを実装した。
論文 参考訳（メタデータ） (2023-04-17T21:56:52Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。
予測の利点を生かして、新しいタイプの量子測度がもたらされる。
予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文 参考訳（メタデータ） (2022-09-12T15:47:44Z) - 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)
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。