論文の概要: Adaptive Interpolating Quantum Transform: A Quantum-Native Framework for Efficient Transform Learning

• arxiv url: http://arxiv.org/abs/2508.14418v1
• Date: Wed, 20 Aug 2025 04:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.341123
• Title: Adaptive Interpolating Quantum Transform: A Quantum-Native Framework for Efficient Transform Learning
• Title（参考訳）: 適応補間量子変換:効率的な変換学習のための量子Nativeフレームワーク
• Authors: Gekko Budiutama, Shunsuke Daimon, Hirofumi Nishi, Ryui Kaneko, Tomi Ohtsuki, Yu-ichiro Matsushita,
• Abstract要約: 本稿では,適応補間量子変換(AIQT)について紹介する。 この結果から,AIQTはパラメータカウントを最小化して高い性能を実現し,深部変動回路に代わるスケーラブルで解釈可能な代替手段を提供することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning on quantum computers has attracted attention for its potential to deliver computational speedups in different tasks. However, deep variational quantum circuits require a large number of trainable parameters that grows with both qubit count and circuit depth, often rendering training infeasible. In this study, we introduce the Adaptive Interpolating Quantum Transform (AIQT), a quantum-native framework for flexible and efficient learning. AIQT defines a trainable unitary that interpolates between quantum transforms, such as the Hadamard and quantum Fourier transforms. This approach enables expressive quantum state manipulation while controlling parameter overhead. It also allows AIQT to inherit any quantum advantages present in its constituent transforms. Our results show that AIQT achieves high performance with minimal parameter count, offering a scalable and interpretable alternative to deep variational circuits.
• Abstract（参考訳）: 量子コンピュータ上の機械学習は、異なるタスクで計算スピードアップを提供する可能性に注目されている。 しかし、深い変動量子回路は、キュービット数と回路深さの両方で成長する多くのトレーニング可能なパラメータを必要とし、しばしばトレーニングが不可能になる。 本研究では,適応補間量子変換(AIQT)を提案する。 AIQTは、アダマール変換や量子フーリエ変換のような量子変換を補間する訓練可能なユニタリを定義する。 このアプローチは、パラメータのオーバーヘッドを制御しながら、表現力のある量子状態の操作を可能にする。 また、AIQTはその構成変換に存在する量子上の利点を継承することができる。 この結果から,AIQTはパラメータカウントを最小化して高い性能を実現し,深部変動回路に代わるスケーラブルで解釈可能な代替手段を提供することがわかった。

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)
• Parameterized quantum comb and simpler circuits for reversing unknown qubit-unitary operations [8.14510296131348]
  量子プロセス変換タスクにおいて,量子コムの潜在能力を最大限に活用するためのPQCombを提案する。 未知のキュービットユニタリ進化の時間反転シミュレーションのための2つの合理化プロトコルを提案する。 また、PQCombを拡張して、量子ユニタリ変換とチャネル識別の問題を解決する。
  論文  参考訳（メタデータ） (2024-03-06T14:53:24Z)
• 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)
• Maximising Quantum-Computing Expressive Power through Randomised Circuits [4.604271571912073]
  変分量子アルゴリズム(VQA)は量子優位を得るための有望な道として登場した。 本稿では、ランダム化量子回路を用いて変動波動関数を生成するVQAの新しい手法を数値的に示す。 このランダム回路アプローチは、変動波動関数の表現力と時間コストの間のトレードオフを示す。
  論文  参考訳（メタデータ） (2023-12-04T15:04:42Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• 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。