論文の概要: On the Design of Expressive and Trainable Pulse-based Quantum Machine Learning Models

• arxiv url: http://arxiv.org/abs/2508.05559v1
• Date: Thu, 07 Aug 2025 16:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.960626
• Title: On the Design of Expressive and Trainable Pulse-based Quantum Machine Learning Models
• Title（参考訳）: 表現型および訓練可能なパルスベース量子機械学習モデルの設計について
• Authors: Han-Xiao Tao, Xin Wang, Re-Bing Wu,
• Abstract要約: パルスベースの量子機械学習(QML)は、量子人工知能の新しいパラダイムとして登場した。 実用的な用途では、パルスベースのモデルは表現力と訓練性の両方を必要とする。 本稿では、トレーニング性を維持しつつ、パルスベースのQMLモデルを表現するための要件について検討する。
• 参考スコア（独自算出の注目度）: 4.852613028421959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pulse-based Quantum Machine Learning (QML) has emerged as a novel paradigm in quantum artificial intelligence due to its exceptional hardware efficiency. For practical applications, pulse-based models must be both expressive and trainable. Previous studies suggest that pulse-based models under dynamic symmetry can be effectively trained, thanks to a favorable loss landscape that has no barren plateaus. However, the resulting uncontrollability may compromise expressivity when the model is inadequately designed. This paper investigates the requirements for pulse-based QML models to be expressive while preserving trainability. We present a necessary condition pertaining to the system's initial state, the measurement observable, and the underlying dynamical symmetry Lie algebra, supported by numerical simulations. Our findings establish a framework for designing practical pulse-based QML models that balance expressivity and trainability.
• Abstract（参考訳）: パルスベースの量子機械学習(QML)は、その例外的なハードウェア効率のため、量子人工知能の新たなパラダイムとして登場した。 実用的な用途では、パルスベースのモデルは表現力と訓練性の両方を必要とする。 従来の研究は、不毛の台地を持たない良好な損失景観のおかげで、動的対称性の下でパルスベースのモデルを効果的に訓練できることを示唆していた。 しかし、結果として生じる制御不能は、モデルが不十分に設計されているときに表現性を損なう可能性がある。 本稿では、トレーニング性を維持しつつ、パルスベースのQMLモデルを表現するための要件について検討する。 数値シミュレーションにより, 系の初期状態, 測定可観測性, 基礎となる動的対称リー代数に関する必要条件を示す。 本研究は,表現性とトレーニング性のバランスをとる実用的なパルスベースQMLモデルを設計するための枠組みを確立した。

関連論文リスト

• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• On the Role of Controllability in Pulse-based Quantum Machine Learning Models [0.0]
  トレードオフは、基礎となるパルスベースモデルの制御可能性と密接に関係していることを示す。 次元性の増大は表現性を向上するが,モデルが部分多様体上の限定的な制御性を持つ設計の場合,不規則な台地を避けることが示される。
  論文  参考訳（メタデータ） (2024-05-15T07:02:41Z)
• Unleashing the Expressive Power of Pulse-Based Quantum Neural Networks [0.46085106405479537]
  ノイズ中間スケール量子(NISQ)デバイスに基づく量子機械学習(QML)は、限られた量子リソースの最適利用に依存している。 ゲートベースのQMLモデルは、ソフトウェアエンジニアにとってユーザフレンドリーである。 パルスベースのモデルにより、"無限に"深い量子ニューラルネットワークを同時に構築することができる。
  論文  参考訳（メタデータ） (2024-02-05T10:47:46Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Learning Stochastic Dynamics with Statistics-Informed Neural Network [0.4297070083645049]
  データからダイナミクスを学習するための、統計情報ニューラルネットワーク(SINN)という機械学習フレームワークを導入する。 本研究では,ニューラルネットワークモデルの学習機構を考案し,対象プロセスの正しい統計的挙動を再現する。 得られた低次モデルが時間的に粗い粒度データに基づいて訓練可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-24T18:21:01Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Prediction with Approximated Gaussian Process Dynamical Models [7.678864239473703]
  我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。 結果は、近似モデルのパワーを示す数値的な例で示される。
  論文  参考訳（メタデータ） (2020-06-25T16:51:17Z)

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。