論文の概要: Neural Network Architectures for Scalable Quantum State Tomography: Benchmarking and Memristor-Based Acceleration
- arxiv url: http://arxiv.org/abs/2507.23007v1
- Date: Wed, 30 Jul 2025 18:12:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.520745
- Title: Neural Network Architectures for Scalable Quantum State Tomography: Benchmarking and Memristor-Based Acceleration
- Title（参考訳）: スケーラブル量子状態トモグラフィのためのニューラルネットワークアーキテクチャ:ベンチマークとMemristorベースの高速化
- Authors: Erbing Hua, Steven van Ommen, King Yiu Yu, Jim van Leeuven, Rajendra Bishnoi, Heba Abunahla, Salahuddin Nur, Sebastian Feld, Ryoichi Ishihara,
- Abstract要約: 量子状態トモグラフィ(QST)は、量子システムの特徴付けと検証に不可欠である。
以前の性能の主張は、体系的な検証よりもアーキテクチャ上の仮定に依存していた。
いくつかのニューラルネットワークアーキテクチャをベンチマークして、キュービット数で効果的にスケールするかを判断し、システムサイズが大きくなるにつれて高い忠実性を維持することができない。
- 参考スコア（独自算出の注目度）: 0.9572566550427288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum State Tomography (QST) is essential for characterizing and validating quantum systems, but its practical use is severely limited by the exponential growth of the Hilbert space and the number of measurements required for informational completeness. Many prior claims of performance have relied on architectural assumptions rather than systematic validation. We benchmark several neural network architectures to determine which scale effectively with qubit number and which fail to maintain high fidelity as system size increases.To address this, we perform a comprehensive benchmarking of diverse neural architectures across two quantum measurement strategies to evaluate their effectiveness in reconstructing both pure and mixed quantum states. Our results reveal that CNN and CGAN scale more robustly and achieve the highest fidelities, while Spiking Variational Autoencoder (SVAE) demonstrates moderate fidelity performance, making it a strong candidate for embedded, low-power hardware implementations.Recognizing that practical quantum diagnostics will require embedded, energy-efficient computation, we also discuss how memristor-based Computation-in-Memory (CiM) platforms can accelerate these models in hardware, mitigating memory bottlenecks and reducing energy consumption to enable scalable in-situ QST. This work identifies which architectures scale favorably for future quantum systems and lays the groundwork for quantum-classical co-design that is both computationally and physically scalable.
- Abstract（参考訳）: 量子状態トモグラフィ(QST)は量子システムを特徴づけ、検証するために不可欠であるが、その実用性はヒルベルト空間の指数的成長と情報完全性に必要な測定値の数によって著しく制限されている。
性能に関する多くの以前の主張は、体系的な検証よりもアーキテクチャ上の仮定に依存してきた。
我々は、量子ビット数で効果的にスケールするか、システムサイズが大きくなるにつれて高い忠実性を維持することができないかを決定するために、いくつかのニューラルネットワークアーキテクチャをベンチマークし、これを解決するために、2つの量子測定戦略にわたる多様なニューラルネットワークアーキテクチャの包括的なベンチマークを行い、純粋と混合の量子状態の両方を再構築する効果を評価する。
我々は,CNN と CGAN がより堅牢にスケールし,高い忠実性を実現する一方で,SVAE (Spking Variational Autoencoder) が適度な忠実度性能を示し,組込み低消費電力ハードウェア実装の強力な候補となることを明らかにし,実用的な量子診断が組込み省エネルギ効率の計算を必要とすることを認識し,メモリボトルネックを緩和し,能率性のあるQSTを実現するために,メモリボトルネックを緩和し,メモリ消費を低減できるメミュレータベースの計算インメモリ(CiM)プラットフォームについても論じる。
この研究は、将来の量子システムに対してどのアーキテクチャが好適にスケールするかを特定し、計算的かつ物理的にスケーラブルな量子古典的共設計の基礎となる。
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) - Benchmarking fault-tolerant quantum computing hardware via QLOPS [2.0464713282534848]
量子アルゴリズムを実行するためには、低ノイズレベルでスケーラブルな量子ハードウェアを開発することが不可欠である。
様々なハードウェアプラットフォーム向けに、フォールトトレラントな量子コンピューティングスキームが開発されている。
本稿では,FTQC方式の性能評価指標として,QLOPS(Quantum Logical Operations Per Second)を提案する。
論文 参考訳（メタデータ） (2025-07-16T08:31:51Z) - 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) - An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [2.2978333459052815]
量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。
量子回路を局所的に近似する有接サロゲートqtDNNを導入する。
我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
論文 参考訳（メタデータ） (2025-03-12T07:12:02Z) - Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術は プライバシー セキュリティ 情報整合性に 課題をもたらす
本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-11T20:52:10Z) - 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) - Splitting and Parallelizing of Quantum Convolutional Neural Networks for
Learning Translationally Symmetric Data [0.0]
分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。
量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。
本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2023-06-12T18:00:08Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳（メタデータ） (2022-10-03T09:32:28Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - 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)
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。