論文の概要: Hybrid quantum tensor networks for aeroelastic applications

• arxiv url: http://arxiv.org/abs/2508.05169v1
• Date: Thu, 07 Aug 2025 09:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.776663
• Title: Hybrid quantum tensor networks for aeroelastic applications
• Title（参考訳）: エアロ弾性応用のためのハイブリッド量子テンソルネットワーク
• Authors: M. Lautaro Hickmann, Pedro Alves, David Quero, Friedhelm Schwenker, Hans-Martin Rieser,
• Abstract要約: 量子機械学習(QML)のパワーを活用したハイブリッド量子テンソルネットワークのエアロ弾性問題への適用について検討する。 本研究は,ハイブリッド量子テンソルネットワークによる二項分類の精度向上を実証するものである。 離散変数の回帰における有望な性能を観察する。
• 参考スコア（独自算出の注目度）: 1.2932412290302258
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the application of hybrid quantum tensor networks to aeroelastic problems, harnessing the power of Quantum Machine Learning (QML). By combining tensor networks with variational quantum circuits, we demonstrate the potential of QML to tackle complex time series classification and regression tasks. Our results showcase the ability of hybrid quantum tensor networks to achieve high accuracy in binary classification. Furthermore, we observe promising performance in regressing discrete variables. While hyperparameter selection remains a challenge, requiring careful optimisation to unlock the full potential of these models, this work contributes significantly to the development of QML for solving intricate problems in aeroelasticity. We present an end-to-end trainable hybrid algorithm. We first encode time series into tensor networks to then utilise trainable tensor networks for dimensionality reduction, and convert the resulting tensor to a quantum circuit in the encoding step. Then, a tensor network inspired trainable variational quantum circuit is applied to solve either a classification or a multivariate or univariate regression task in the aeroelasticity domain.
• Abstract（参考訳）: 本稿では,QML(Quantum Machine Learning)のパワーを利用して,ハイブリッド量子テンソルネットワークのエアロ弾性問題への適用について検討する。 テンソルネットワークと変分量子回路を組み合わせることで、複雑な時系列分類と回帰タスクに取り組むQMLの可能性を示す。 本研究は,ハイブリッド量子テンソルネットワークによる二項分類の精度向上を実証するものである。 さらに、離散変数の回帰における有望な性能を観察する。 ハイパーパラメータ選択は依然として課題であり、これらのモデルの全潜在能力を解き放つために慎重に最適化する必要があるが、この研究は空気弾性の複雑な問題を解くためのQMLの開発に大きく貢献する。 エンドツーエンドのトレーニング可能なハイブリッドアルゴリズムを提案する。 まず時系列をテンソルネットワークにエンコードし、次にトレーニング可能なテンソルネットワークを次元還元に利用し、結果として得られるテンソルを符号化ステップの量子回路に変換する。 そして、テンソルネットワークにインスパイアされたトレーニング可能な変動量子回路を適用し、エアロ弾性領域における分類または多変量または単変量回帰タスクを解く。

関連論文リスト

• Quick design of feasible tensor networks for constrained combinatorial optimization [1.8775413720750924]
  テンソルネットワークを用いた量子インスピレーション型解法が提案されている。 施設位置問題に対する実現可能なテンソルネットワークを数値的に構築し,従来の手法よりもはるかに高速な構築法を見いだした。
  論文  参考訳（メタデータ） (2024-09-03T08:36:23Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Absence of barren plateaus and scaling of gradients in the energy optimization of isometric tensor network states [0.0]
  広いハミルトンと有限範囲の相互作用を持つ量子多体系のエネルギー問題を考える。 行列積状態,木テンソルネットワーク,およびマルチスケールエンタングル化再正規化アンサッツに対する変分最適化問題は,バレンプラトーを含まないことを証明した。
  論文  参考訳（メタデータ） (2023-03-31T22:49:49Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Tensor-network-assisted variational quantum algorithm [3.5995214208007944]
  本稿では,テンソルネットワークを用いた変分量子アルゴリズムのフレームワークを提案する。 提案手法は浅量子回路を用いた従来の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-20T16:59:54Z)
• Quantum Phase Recognition using Quantum Tensor Networks [0.0]
  本稿では,教師付き学習タスクのためのテンソルネットワークにインスパイアされた浅部変分アンザツに基づく量子機械学習手法について検討する。 マルチスケールエンタングルメント再正規化アンサッツ (MERA) とツリーテンソルネットワーク (TTN) がパラメタライズド量子回路にインスパイアされた場合、テストセットの精度が$geq 98%に達する。
  論文  参考訳（メタデータ） (2022-12-12T19:29:07Z)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Improvements to Gradient Descent Methods for Quantum Tensor Network Machine Learning [0.0]
  任意のテンソルネットワークの初期化に成功したコピーノード方式を提案する。 本稿では、量子インスパイアされたテンソルネットワークモデルを生成する手法の組み合わせを示す数値的な結果を示す。
  論文  参考訳（メタデータ） (2022-03-03T19:00:40Z)
• 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)
• 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)
• Recurrent Quantum Neural Networks [7.6146285961466]
  リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。 非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。 我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
  論文  参考訳（メタデータ） (2020-06-25T17:59:44Z)

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。