論文の概要: Mitigating Exponential Mixed Frequency Growth through Frequency Selection and Dimensional Separation in Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2508.10533v1
- Date: Thu, 14 Aug 2025 11:10:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.282402
- Title: Mitigating Exponential Mixed Frequency Growth through Frequency Selection and Dimensional Separation in Quantum Machine Learning
- Title（参考訳）: 量子機械学習における周波数選択と次元分離による指数混合周波数成長の緩和
- Authors: Michael Poppel, David Bucher, Maximilian Zorn, Nico Kraus, Jonas Stein, Claudia Linnhoff-Popien,
- Abstract要約: 量子機械学習(QML)におけるアングル符号化技術は注目度を高めている。
しかし実際には、量子モデルは回帰タスクでしばしば失敗する。
本稿では,パラメータ数を制限する手法として周波数選択と次元分離を提案する。
- 参考スコア（独自算出の注目度）: 3.9456729020535013
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: To leverage the potential computational speedup of quantum computing (QC), research in quantum machine learning (QML) has gained increasing prominence. Angle encoding techniques in QML models have been shown to generate truncated Fourier series, offering asymptotically universal function approximation capabilities. By selecting efficient feature maps (FMs) within quantum circuits, one can leverage the exponential growth of Fourier frequencies for improved approximation. In multi-dimensional settings, additional input dimensions induce further exponential scaling via mixed frequencies. In practice, however, quantum models frequently fail at regression tasks. Through two white-box experiments, we show that such failures can occur even when the relevant frequencies are present, due to an insufficient number of trainable parameters. In order to mitigate the double-exponential parameter growth resulting from double-exponentially growing frequencies, we propose frequency selection and dimensional separation as techniques to constrain the number of parameters, thereby improving trainability. By restricting the QML model to essential frequencies and permitting mixed frequencies only among feature dimensions with known interdependence, we expand the set of tractable problems on current hardware. We demonstrate the reduced parameter requirements by fitting two white-box functions with known frequency spectrum and dimensional interdependencies that could not be fitted with the default methods. The reduced parameter requirements permit us to perform training on a noisy quantum simulator and to demonstrate inference on real quantum hardware.
- Abstract（参考訳）: 量子コンピューティング(QC)の潜在的な計算スピードアップを活用するために、量子機械学習(QML)の研究が注目を集めている。
QMLモデルにおけるアングル符号化技術は、漸近的に普遍的な関数近似機能を提供する、切り詰められたフーリエ級数を生成することが示されている。
量子回路内の効率的な特徴写像(FM)を選択することにより、フーリエ周波数の指数的成長を利用して近似を改善することができる。
多次元設定では、追加の入力次元は混合周波数を介してさらに指数関数的なスケーリングを誘導する。
しかし実際には、量子モデルは回帰タスクでしばしば失敗する。
2つのホワイトボックス実験を通して、トレーニング可能なパラメータが不足しているため、関連する周波数が存在する場合でも、そのような障害が発生する可能性があることを示す。
周波数が2倍に増加することによる二重指数パラメータ成長を緩和するため,パラメータ数を制限する手法として周波数選択と次元分離を提案し,訓練性を向上させる。
そこで本研究では,QMLモデルを必須周波数に制限し,特徴次元間のみの混合周波数を許容することにより,現在のハードウェアにおけるトラクタブルな問題の集合を拡大する。
既定の手法では適用できない2つのホワイトボックス関数に既知の周波数スペクトルと次元相互依存性を組み込むことにより,パラメータ要求の低減を実証した。
パラメータ要求の低減により、ノイズの多い量子シミュレーターでトレーニングを行い、実際の量子ハードウェア上で推論を実演することができる。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - 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) - Spectral invariance and maximality properties of the frequency spectrum of quantum neural networks [0.0]
量子ニューラルネットワーク(QNN)は、量子機械学習において一般的なアプローチである。
我々は、この周波数スペクトルをミンコフスキー和を用いて、集合と差分集合について解析する。
モデルの大きなクラスに対して、異なる最大性の結果が証明される。
論文 参考訳（メタデータ） (2024-02-22T13:04:50Z) - 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) - Efficient formulation of multitime generalized quantum master equations:
Taming the cost of simulating 2D spectra [0.0]
本稿では,GQMEフレームワークを拡張した従来の作業の計算コストを大幅に単純化し,削減する定式化を提案する。
具体的には, 修正された森-中島-Zwanzigフレームワークから, 量子相関関数の時間微分を除去する。
また、スペクトルを1-, 2-, 3時間相関に分解し、システムがマルコフ体制に入る時期を示す。
論文 参考訳（メタデータ） (2023-10-30T21:16:04Z) - 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) - Quantum emulation of the transient dynamics in the multistate
Landau-Zener model [50.591267188664666]
本研究では,Landau-Zenerモデルにおける過渡ダイナミクスを,Landau-Zener速度の関数として検討する。
我々の実験は、工学的なボソニックモードスペクトルに結合した量子ビットを用いたより複雑なシミュレーションの道を開いた。
論文 参考訳（メタデータ） (2022-11-26T15:04:11Z) - High-dimensional discrete Fourier transform gates with the quantum
frequency processor [0.0]
D-point frequency-bin DFTは固定された3成分量子周波数プロセッサで実現可能であることを示す。
量子通信およびネットワークにおける高次元周波数ビンプロトコルの新しい機会を提供する。
論文 参考訳（メタデータ） (2022-01-26T14:41:46Z) - A variational quantum eigensolver for dynamic correlation functions [0.9176056742068814]
ゼロ温度動的相関関数の計算を改良VQEアルゴリズムに再キャストする方法を示す。
これにより、系の力学を記述する重要な物理的期待値が周波数軸に直接収束する。
本手法は, 近距離量子プロセッサ上での相関系の周波数ダイナミクスの抽出の可能性を示す。
論文 参考訳（メタデータ） (2021-05-04T18:52:45Z) - Continuous-time dynamics and error scaling of noisy highly-entangling
quantum circuits [58.720142291102135]
最大21キュービットの雑音量子フーリエ変換プロセッサをシミュレートする。
我々は、デジタルエラーモデルに頼るのではなく、微視的な散逸過程を考慮に入れている。
動作中の消散機構によっては、入力状態の選択が量子アルゴリズムの性能に強い影響を与えることが示される。
論文 参考訳（メタデータ） (2021-02-08T14:55:44Z)
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。