論文の概要: Quantum-Boosted High-Fidelity Deep Learning

• arxiv url: http://arxiv.org/abs/2508.11190v1
• Date: Fri, 15 Aug 2025 03:51:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.732028
• Title: Quantum-Boosted High-Fidelity Deep Learning
• Title（参考訳）: 量子ブースト高忠実深層学習
• Authors: Feng-ao Wang, Shaobo Chen, Yao Xuan, Junwei Liu, Qi Gao, Hongdong Zhu, Junjie Hou, Lixin Yuan, Jinyu Cheng, Chenxin Yi, Hai Wei, Yin Ma, Tao Xu, Kai Wen, Yixue Li,
• Abstract要約: 本稿では,大規模かつ長期間安定なハイブリッド量子古典アーキテクチャであるQuantum Boltzmann Machine-Variational Autoencoder (QBM-VAE)を紹介する。 我々のフレームワークは、ボルツマン分布からの効率的なサンプリングのために量子プロセッサを活用し、深層生成モデルにおける強力な先行モデルとしての使用を可能にした。
• 参考スコア（独自算出の注目度）: 7.198071279424711
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A fundamental limitation of probabilistic deep learning is its predominant reliance on Gaussian priors. This simplistic assumption prevents models from accurately capturing the complex, non-Gaussian landscapes of natural data, particularly in demanding domains like complex biological data, severely hindering the fidelity of the model for scientific discovery. The physically-grounded Boltzmann distribution offers a more expressive alternative, but it is computationally intractable on classical computers. To date, quantum approaches have been hampered by the insufficient qubit scale and operational stability required for the iterative demands of deep learning. Here, we bridge this gap by introducing the Quantum Boltzmann Machine-Variational Autoencoder (QBM-VAE), a large-scale and long-time stable hybrid quantum-classical architecture. Our framework leverages a quantum processor for efficient sampling from the Boltzmann distribution, enabling its use as a powerful prior within a deep generative model. Applied to million-scale single-cell datasets from multiple sources, the QBM-VAE generates a latent space that better preserves complex biological structures, consistently outperforming conventional Gaussian-based deep learning models like VAE and SCVI in essential tasks such as omics data integration, cell-type classification, and trajectory inference. It also provides a typical example of introducing a physics priori into deep learning to drive the model to acquire scientific discovery capabilities that breaks through data limitations. This work provides the demonstration of a practical quantum advantage in deep learning on a large-scale scientific problem and offers a transferable blueprint for developing hybrid quantum AI models.
• Abstract（参考訳）: 確率的深層学習の基本的な制限は、ガウスの先行に大きく依存している。 この単純化された仮定は、モデルが複雑な非ガウス的な自然データ、特に複雑な生物学的データのような領域を正確に捉えることを防ぎ、科学的発見のためのモデルの忠実さを著しく妨げている。 物理的に接地されたボルツマン分布は、より表現力のある代替手段を提供するが、古典的なコンピュータでは計算的に難解である。 これまで、量子アプローチは、深層学習の反復要求に必要な量子ビットスケールの不足と運用上の安定性によって妨げられていた。 本稿では,大規模かつ長期間安定なハイブリッド量子古典アーキテクチャであるQuantum Boltzmann Machine-Variational Autoencoder (QBM-VAE)を導入することで,このギャップを埋める。 我々のフレームワークは、ボルツマン分布からの効率的なサンプリングのために量子プロセッサを活用し、深層生成モデルにおける強力な先行モデルとしての使用を可能にした。 QBM-VAEは、複数のソースからの百万単位の単一セルデータセットに適用され、複雑な生物学的構造をよりよく保存する潜在空間を生成し、オミクスデータ統合、細胞型分類、軌道推論といった重要なタスクにおいて、VAEやSCVIのような従来のガウスベースのディープラーニングモデルより一貫して優れている。 また、ディープラーニングに物理の優先順位を導入して、データ制限を突破する科学的発見能力を得るためにモデルを駆動する典型的な例も提供する。 この研究は、大規模科学的問題におけるディープラーニングにおける実用的な量子優位性の実証を提供し、ハイブリッド量子AIモデルを開発するための転送可能な青写真を提供する。

関連論文リスト

• LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
  量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。 本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:18:06Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
  Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。 GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
  論文  参考訳（メタデータ） (2020-06-26T05:47:45Z)

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。