論文の概要: Quantum Visual Fields with Neural Amplitude Encoding

• arxiv url: http://arxiv.org/abs/2508.10900v1
• Date: Thu, 14 Aug 2025 17:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 11:58:04.935963
• Title: Quantum Visual Fields with Neural Amplitude Encoding
• Title（参考訳）: ニューラル振幅符号化による量子視野
• Authors: Shuteng Wang, Christian Theobalt, Vladislav Golyanik,
• Abstract要約: 本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
• 参考スコア（独自算出の注目度）: 70.86293548779774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Implicit Neural Representations (QINRs) include components for learning and execution on gate-based quantum computers. While QINRs recently emerged as a promising new paradigm, many challenges concerning their architecture and ansatz design, the utility of quantum-mechanical properties, training efficiency and the interplay with classical modules remain. This paper advances the field by introducing a new type of QINR for 2D image and 3D geometric field learning, which we collectively refer to as Quantum Visual Field (QVF). QVF encodes classical data into quantum statevectors using neural amplitude encoding grounded in a learnable energy manifold, ensuring meaningful Hilbert space embeddings. Our ansatz follows a fully entangled design of learnable parametrised quantum circuits, with quantum (unitary) operations performed in the real Hilbert space, resulting in numerically stable training with fast convergence. QVF does not rely on classical post-processing -- in contrast to the previous QINR learning approach -- and directly employs projective measurement to extract learned signals encoded in the ansatz. Experiments on a quantum hardware simulator demonstrate that QVF outperforms the existing quantum approach and widely used classical foundational baselines in terms of visual representation accuracy across various metrics and model characteristics, such as learning of high-frequency details. We also show applications of QVF in 2D and 3D field completion and 3D shape interpolation, highlighting its practical potential.
• Abstract（参考訳）: QINR(Quantum Implicit Neural Representation)は、ゲートベースの量子コンピュータ上での学習と実行のためのコンポーネントである。 QINRは最近、有望な新しいパラダイムとして登場したが、アーキテクチャやアンザッツ設計、量子力学特性の有用性、訓練効率、古典的なモジュールとの相互作用など、多くの課題が残っている。 本稿では,2次元画像と3次元幾何学的場学習のための新しいタイプのQINRを導入し,これを量子視野(Quantum Visual Field, QVF)と呼ぶ。 QVFは古典的なデータを学習可能なエネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化し、意味のあるヒルベルト空間の埋め込みを保証する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行い、高速収束を伴う数値的に安定な訓練を行う。 QVFは、以前のQINR学習アプローチとは対照的に、古典的な後処理に依存しておらず、直接的に射影測定を用いて、アンザッツに符号化された学習信号を抽出する。 量子ハードウェアシミュレータの実験では、QVFは既存の量子アプローチよりも優れており、様々なメトリクスにわたる視覚的表現精度や、高周波の詳細の学習などのモデル特性の観点から、古典的基礎線が広く使用されている。 また,QVFの2次元および3次元フィールド補完および3次元形状補間への応用を示す。

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)
• 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)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• An Amplitude-Encoding-Based Classical-Quantum Transfer Learning framework: Outperforming Classical Methods in Image Recognition [8.971481563534537]
  本稿では,AE-CQTL(Amplence-encoding-based classical-quantum transfer learning)フレームワークを提案する。 AE-CQTLフレームワークをベースとして,Transfer Learning Quantum Neural Network (TLQNN)とTransfer Learning Quantum Convolutional Neural Network (TLQCNN)の2つのCQTLニューラルネットワークモデルの設計と実装を行った。
  論文  参考訳（メタデータ） (2025-02-27T15:20:01Z)
• Representation Learning with Parameterised Quantum Circuits for Advancing Speech Emotion Recognition [37.98283871637917]
  音声感情認識(SER)における量子回路(PQC)の利用について検討する。 従来の畳み込みニューラルネットワーク(CNN)にPQCを統合するハイブリッド量子古典アーキテクチャを提案する。 トレーニング可能なパラメータの50%以上を削減し,古典的なCNNベースラインに対する分類性能の向上を実現した。
  論文  参考訳（メタデータ） (2025-01-21T11:23:38Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Classically Approximating Variational Quantum Machine Learning with Random Fourier Features [1.4680035572775534]
  ハミルトン符号化を用いたVQCを近似した古典的なサンプリング手法を提案する。 必要なサンプルの数は、量子スペクトルのサイズとともに好適に増加することを示す。 様々な複雑な符号化を持つVQC、あるいは大きな入力次元を持つVQCは、古典的な近似に対してより堅牢になることを期待している。
  論文  参考訳（メタデータ） (2022-10-24T13:23:36Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。