論文の概要: Parallel Data Processing in Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2508.12006v1
• Date: Sat, 16 Aug 2025 10:32:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.508579
• Title: Parallel Data Processing in Quantum Machine Learning
• Title（参考訳）: 量子機械学習における並列データ処理
• Authors: Mehdi Ramezani, Sina Asadiyan Zargar, Abolfazl Bahrampour, Saeed Bagheri Shouraki, Alireza Bahrampour,
• Abstract要約: 本稿では、量子並列性を利用してトレーニングデータセット全体を単一の量子演算で処理するフレームワークを提案する。 標準パラメータ化量子回路を統合アーキテクチャに組み込み、全てのトレーニングサンプルを量子重ね合わせに符号化し、並列に分類する。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a Quantum Machine Learning (QML) framework that leverages quantum parallelism to process entire training datasets in a single quantum operation, addressing the computational bottleneck of sequential data processing in both classical and quantum settings. Building on the structural analogy between feature extraction in foundational quantum algorithms and parameter optimization in QML, we embed a standard parameterized quantum circuit into an integrated architecture that encodes all training samples into a quantum superposition and applies classification in parallel. This approach reduces the theoretical complexity of loss function evaluation from $O(N^2)$ in conventional QML training to $O(N)$, where $N$ is the dataset size. Numerical simulations on multiple binary and multi-class classification datasets demonstrate that our method achieves classification accuracies comparable to conventional circuits while offering substantial training time savings. These results highlight the potential of quantum-parallel data processing as a scalable pathway to efficient QML implementations.
• Abstract（参考訳）: 本稿では,量子並列性を利用した量子機械学習(QML)フレームワークを提案し,古典的および量子的セッティングにおける逐次データ処理の計算ボトルネックに対処する。 基本量子アルゴリズムにおける特徴抽出とQMLにおけるパラメータ最適化の間の構造的類似性に基づいて、標準パラメータ化量子回路を統合アーキテクチャに組み込み、全てのトレーニングサンプルを量子重ね合わせに符号化し、並列に分類する。 このアプローチは、損失関数評価の理論的複雑さを従来のQMLトレーニングで$O(N^2)$から$O(N)$に還元する。 複数の二分法および多クラス分類データセットの数値シミュレーションにより,本手法が従来の回路に匹敵する分類精度を達成し,トレーニング時間を大幅に短縮することを示した。 これらの結果は、効率的なQML実装のためのスケーラブルな経路として、量子並列データ処理の可能性を強調している。

関連論文リスト

• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• 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)
• Quantum autoencoders for image classification [0.0]
  量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。 本研究では,QAEを用いた新しい画像分類手法を提案する。
  論文  参考訳（メタデータ） (2025-02-21T07:13:38Z)
• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• 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)
• Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
  本稿では,量子回路実行の並列化モデルを提案する。 このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
  論文  参考訳（メタデータ） (2024-06-05T17:16:07Z)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Hybrid quantum-classical classifier based on tensor network and variational quantum circuit [0.0]
  本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。 低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-30T09:43:59Z)
• Programming a quantum computer with quantum instructions [39.994876450026865]
  我々は密度行列化プロトコルを用いて量子データ上で量子命令を実行する。 古典的に定義されたゲートの固定列は、補助量子命令状態に一意に依存する演算を実行する。 量子命令の利用により、コストのかかるトモグラフィー状態の再構築と再コンパイルの必要性がなくなる。
  論文  参考訳（メタデータ） (2020-01-23T22:43:29Z)

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。