Fugu-MT 論文翻訳(概要): Quantum Circuits for Quantum Convolutions: A Quantum Convolutional Autoencoder

論文の概要: Quantum Circuits for Quantum Convolutions: A Quantum Convolutional Autoencoder

arxiv url: http://arxiv.org/abs/2509.00637v1
Date: Sat, 30 Aug 2025 23:48:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 15:17:03.314781
Title: Quantum Circuits for Quantum Convolutions: A Quantum Convolutional Autoencoder
Title（参考訳）: 量子畳み込みのための量子回路:量子畳み込みオートエンコーダ
Authors: Javier Orduz, Pablo Rivas, Erich Baker,
Abstract要約: 量子機械学習は、古典的な機械学習アルゴリズムによる量子理論の活用を扱う。本稿では、量子畳み込みとして機能するランダム化量子回路を用いて、入力データを処理することに焦点を当てる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum machine learning deals with leveraging quantum theory with classic machine learning algorithms. Current research efforts study the advantages of using quantum mechanics or quantum information theory to accelerate learning time or convergence. Other efforts study data transformations in the quantum information space to evaluate robustness and performance boosts. This paper focuses on processing input data using randomized quantum circuits that act as quantum convolutions producing new representations that can be used in a convolutional network. Experimental results suggest that the performance is comparable to classic convolutional neural networks, and in some instances, using quantum convolutions can accelerate convergence.
Abstract（参考訳）: 量子機械学習は、古典的な機械学習アルゴリズムによる量子理論の活用を扱う。現在の研究は、学習時間や収束を加速するために量子力学や量子情報理論を用いることの利点について研究している。量子情報空間におけるデータ変換を研究し、ロバスト性や性能向上を評価する。本稿では、畳み込みネットワークで使用可能な新しい表現を生成する量子畳み込みとして機能するランダム化量子回路を用いて、入力データを処理することに焦点を当てる。実験結果から、この性能は古典的畳み込みニューラルネットワークに匹敵するものであり、量子畳み込みを用いた場合、収束を加速することができることが示唆された。

関連論文リスト

The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文参考訳（メタデータ） (2024-08-19T12:18:07Z)
A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。量子ニューラルネットワークの潜在的な利点を例に挙げる。
論文参考訳（メタデータ） (2024-02-22T16:48:17Z)
Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文参考訳（メタデータ） (2023-06-29T18:00:01Z)
Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文参考訳（メタデータ） (2023-01-04T23:37:45Z)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
Quantum Neural Network Classifiers: A Tutorial [1.4567067583556714]
我々は、パラメータ化量子回路の形で量子ニューラルネットワークに焦点を当てる。我々は主に、教師付き学習タスクのための量子ニューラルネットワークの異なる構造と符号化戦略について議論する。 Julia言語で記述された量子シミュレーションパッケージであるYoo.jlを使って、パフォーマンスをベンチマークする。
論文参考訳（メタデータ） (2022-06-06T18:00:01Z)
Introduction to Quantum Reinforcement Learning: Theory and PennyLane-based Implementation [10.40861455010028]
本稿では,変分量子回路を用いた量子強化学習の概念を紹介する。本研究で得られた実験結果から量子強化学習のパワーと可能性について論じる。
論文参考訳（メタデータ） (2021-08-16T01:05:49Z)
Mutual Reinforcement between Neural Networks and Quantum Physics [0.0]
量子機械学習は、量子力学と機械学習の共生から生まれる。古典的な機械学習を量子物理学問題に適用するためのツールとして使う。量子パーセプトロンの力学に基づく量子ニューラルネットワークの設計と、短絡の断熱への応用は、短時間の動作時間と堅牢な性能をもたらす。
論文参考訳（メタデータ） (2021-05-27T16:20:50Z)
Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文参考訳（メタデータ） (2021-01-21T22:18:49Z)
Quantum information spreading in a disordered quantum walk [50.591267188664666]
量子ウォークスを用いて量子情報拡散パターンを探索する量子探索プロトコルを設計する。我々は、異常や古典的輸送を調査するために、コヒーレントな静的および動的障害に焦点を当てる。以上の結果から,複雑なネットワークで発生する欠陥や摂動の情報を読み取る装置として,量子ウォーク(Quantum Walk)が考えられる。
論文参考訳（メタデータ） (2020-10-20T20:03:19Z)
Quantum ensemble of trained classifiers [2.048335092363436]
量子コンピュータは、利用可能な量子ビットの数に応じて指数的に大きな状態の集合を表現することができる。量子機械学習は、機械学習アルゴリズムを強化する量子コンピューティングの可能性を探る。
論文参考訳（メタデータ） (2020-07-18T01:01:33Z)

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。