論文の概要: QuProFS: An Evolutionary Training-free Approach to Efficient Quantum Feature Map Search

• arxiv url: http://arxiv.org/abs/2508.07104v1
• Date: Sat, 09 Aug 2025 21:17:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.70234
• Title: QuProFS: An Evolutionary Training-free Approach to Efficient Quantum Feature Map Search
• Title（参考訳）: QuProFS: 効率的な量子特徴マップ検索のための進化的トレーニング不要アプローチ
• Authors: Yaswitha Gujju, Romain Harang, Chao Li, Tetsuo Shibuya, Qibin Zhao,
• Abstract要約: 本稿では,トレーニング性,ハードウェアの堅牢性,一般化能力,表現性,複雑性,カーネルターゲットアライメントに着目した回路ベースのQASフレームワークを提案する。 様々なプロキシを持つ回路アーキテクチャをランク付けすることにより、評価コストを削減し、ハードウェア対応回路を組み込むことで、ノイズに対する堅牢性を向上する。 提案手法は,シミュレータと実量子ハードウェアの競合精度を示し,サンプリング効率の点で最先端のQAS手法を超越し,アーキテクチャ検索ランタイムの最大2倍の高速化を実現している。
• 参考スコア（独自算出の注目度）: 19.355532507267075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The quest for effective quantum feature maps for data encoding presents significant challenges, particularly due to the flat training landscapes and lengthy training processes associated with parameterised quantum circuits. To address these issues, we propose an evolutionary training-free quantum architecture search (QAS) framework that employs circuit-based heuristics focused on trainability, hardware robustness, generalisation ability, expressivity, complexity, and kernel-target alignment. By ranking circuit architectures with various proxies, we reduce evaluation costs and incorporate hardware-aware circuits to enhance robustness against noise. We evaluate our approach on classification tasks (using quantum support vector machine) across diverse datasets using both artificial and quantum-generated datasets. Our approach demonstrates competitive accuracy on both simulators and real quantum hardware, surpassing state-of-the-art QAS methods in terms of sampling efficiency and achieving up to a 2x speedup in architecture search runtime.
• Abstract（参考訳）: データ符号化のための効果的な量子特徴写像の探索は、特にパラメータ化された量子回路に関連する平坦なトレーニングランドスケープと長いトレーニングプロセスのために、大きな課題を呈している。 これらの問題に対処するために、トレーニング容易性、ハードウェアの堅牢性、一般化能力、表現性、複雑性、カーネルターゲットアライメントに着目した回路ベースのヒューリスティックを利用する進化的トレーニングフリー量子アーキテクチャサーチ(QAS)フレームワークを提案する。 様々なプロキシを持つ回路アーキテクチャをランク付けすることにより、評価コストを削減し、ハードウェア対応回路を組み込むことで、ノイズに対する堅牢性を向上する。 人工データセットと量子生成データセットの両方を用いて、多様なデータセットにまたがる分類タスク(量子支援ベクトルマシンを用いた)について、我々のアプローチを評価する。 提案手法は,シミュレータと実量子ハードウェアの競合精度を示し,サンプリング効率の点で最先端のQAS手法を超越し,アーキテクチャ検索ランタイムの最大2倍の高速化を実現している。

関連論文リスト

• 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)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Scalable Quantum Architecture Search via Landscape Analysis [28.48505903998775]
  量子アーキテクチャ探索(QAS)は、変分量子コンピューティングにおいて重要な役割を果たす。 量子回路を効率的に探索し評価するスケーラブルでトレーニング不要なQASフレームワークを導入する。 我々のフレームワークは、挑戦的な50キュービットの量子多体シミュレーションにおいて、堅牢な性能を達成する。
  論文  参考訳（メタデータ） (2025-05-08T16:13:23Z)
• Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
  超伝導プロセッサのための強化学習型量子コンパイラを開発した。 短絡の新規・ハードウェア対応回路の発見能力を示す。 本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
  論文  参考訳（メタデータ） (2024-06-18T01:49:48Z)
• Distributed quantum architecture search [0.0]
  ニューラルネットワークにインスパイアされた変分量子アルゴリズムは、量子コンピューティングにおいて新しいアプローチとなっている。 量子アーキテクチャ探索は、ゲートパラメータとともに回路構造を調整することでこの問題に対処し、高性能回路構造を自動的に発見する。 そこで我々は,特定の量子ビット接続を伴う相互接続型量子処理ユニットのための分散量子回路構造を自動設計することを目的とした,エンドツーエンドの分散量子アーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-10T13:28:56Z)
• Quantum Architecture Search with Unsupervised Representation Learning [24.698519892763283]
  教師なし表現学習は量子アーキテクチャ探索(QAS)を前進させる新しい機会を提供する QASは変分量子アルゴリズム(VQA)のための量子回路を最適化するように設計されている
  論文  参考訳（メタデータ） (2024-01-21T19:53:17Z)
• 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)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)
• 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。