論文の概要: Quantum Convolutional Neural Network with Nonlinear Effects and Barren Plateau Mitigation

• arxiv url: http://arxiv.org/abs/2508.02459v1
• Date: Mon, 04 Aug 2025 14:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.376522
• Title: Quantum Convolutional Neural Network with Nonlinear Effects and Barren Plateau Mitigation
• Title（参考訳）: 非線形効果とバレンプラトー緩和を考慮した量子畳み込みニューラルネットワーク
• Authors: Pei-Kun Yang,
• Abstract要約: 量子ニューラルネットワーク(QNN)は、量子エンタングルメントと重畳を利用して、大規模並列線形計算を可能にする。 しかし,本質的な非線形操作の欠如やバレンプラトー現象により,実用的展開が妨げられている。 両問題に同時に対処する量子ニューラル畳み込みネットワーク(QCNN)アーキテクチャを提案する。
• 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: Quantum neural networks (QNNs) leverage quantum entanglement and superposition to enable large-scale parallel linear computation, offering a potential solution to the scalability limits of classical deep learning. However, their practical deployment is hampered by two key challenges: the lack of intrinsic nonlinear operations and the barren plateau phenomenon. We propose a quantum convolutional neural network (QCNN) architecture that simultaneously addresses both issues. Nonlinear effects are introduced via orthonormal basis expansions of power series, while barren plateaus are mitigated by directly parameterizing unitary matrices rather than stacking multiple parameterized gates. Our design further incorporates quantum analogs of convolutional kernels and strides for scalable circuit construction. Experiments on MNIST and Fashion-MNIST datasets achieve 99.0% and 88.0% test accuracy, respectively. Consistency between PyTorch-based matrix simulation and Qiskit-based quantum circuit simulation validates the physical fidelity of the model. These results demonstrate a flexible and effective quantum architecture that faithfully integrates classical convolutional mechanisms into a quantum framework, paving the way for practical and expressive QNNs.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は量子絡み合いと重ね合わせを利用して、大規模並列線形計算を可能にし、古典的なディープラーニングのスケーラビリティ限界に対する潜在的な解決策を提供する。 しかし、本質的な非線形操作の欠如と不規則な台地現象という2つの大きな課題によって、それらの実践的展開が妨げられている。 両問題に同時に対処する量子畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。 非線形効果は、パワー系列の正規直交基底展開によって導入され、バレンプラトーは、複数のパラメータ化ゲートを積み重ねるのではなく、ユニタリ行列を直接パラメータ化することによって緩和される。 我々の設計には、畳み込みカーネルの量子アナログとスケーラブルな回路構築のためのステップが組み込まれている。 MNISTデータセットとFashion-MNISTデータセットの実験は、それぞれ99.0%と88.0%のテスト精度を達成した。 PyTorchベースの行列シミュレーションとQiskitベースの量子回路シミュレーションの整合性は、モデルの物理的忠実性を検証する。 これらの結果は、古典的畳み込み機構を忠実に量子フレームワークに統合し、実用的で表現力のあるQNNの道を開く、柔軟で効果的な量子アーキテクチャを実証している。

関連論文リスト

• Quantum Recurrent Embedding Neural Network [11.54075064463256]
  本稿では、ResNetの高速トラック情報経路にインスパイアされた量子リカレント埋め込みニューラルネットワーク(QRENN)を提案する。 我々は、QRENN回路のトレーニング可能性の厳密な証明を提供し、このディープ量子ニューラルネットワークがバレンプラトーを回避することができることを示した。 その結果、量子ニューラルネットワークに再帰的なデータ埋め込みのパワーと、スケーラブルな量子教師あり学習の可能性を強調した。
  論文  参考訳（メタデータ） (2025-06-16T07:50:31Z)
• 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)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
  量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。 量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
  論文  参考訳（メタデータ） (2024-07-23T11:38:06Z)
• Training-efficient density quantum machine learning [2.918930150557355]
  我々は、トレーニング可能なユニタリの混合を準備するモデルファミリーである密度量子ニューラルネットワークを導入する。 このフレームワークは、特に量子ハードウェア上で、表現性と効率的なトレーサビリティのバランスをとる。
  論文  参考訳（メタデータ） (2024-05-30T16:40:28Z)
• Information-driven Nonlinear Quantum Neuron [0.0]
  本研究では,オープン量子システムとして動作するハードウェア効率の高い量子ニューラルネットワークを提案する。 入力量子情報のパラメトリゼーションが容易な繰り返し相互作用に基づくこの散逸モデルが、微分可能非線形活性化関数を示すことを示す。
  論文  参考訳（メタデータ） (2023-07-18T07:12:08Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Introducing Non-Linearity into Quantum Generative Models [0.0]
  我々は、ニューラルネットワーク構造を介して非線形アクティベーションを標準のBorn Machineフレームワークに追加するモデルを導入する。 非線形QNBMと線形量子回路ボルンマシンを比較した。 両モデルとも、自明な均一な確率分布を容易に学習できるが、QNBMはQCBMの約3倍の誤差率を達成する。
  論文  参考訳（メタデータ） (2022-05-28T18:59:49Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。