論文の概要: Hybrid Quantum-Classical Learning of Nonlinear Entanglement Witnesses via Continuous-Variable Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2509.05924v1
• Date: Sun, 07 Sep 2025 04:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.781378
• Title: Hybrid Quantum-Classical Learning of Nonlinear Entanglement Witnesses via Continuous-Variable Quantum Neural Networks
• Title（参考訳）: 連続可変量子ニューラルネットワークによる非線形絡み合いのハイブリッド量子古典学習
• Authors: Mohammad Rezaei Shokou, Hossein Davoodi Yeganeh,
• Abstract要約: 連続可変量子ニューラルネットワーク(CV-QNN)を用いた非線形絡み合い証を量子データから直接学習するハイブリッド量子古典的フレームワークを提案する。 我々のアーキテクチャは、変分干渉計、スクレーパー、非ガウスのカーゲートと小型の古典的ニューラルヘッドを組み合わせてスカラー目撃値を出力する。 量子測定段階が情報的に完備である場合、ハイブリッドモデルは、コンパクトな状態集合上の任意の連続的な証人様関数を近似することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A major challenge in quantum information is characterizing entanglement, for which entanglement witnesses offer effective means of detecting quantum correlations. We introduce a hybrid quantum-classical framework that learns a nonlinear entanglement witness directly from quantum data using continuous-variable quantum neural networks (CV-QNNs). Our architecture combines variational interferometers, squeezers and non-Gaussian Kerr gates with a small classical neural head to output a scalar witness value. Numerical simulations were conducted on two- and three-mode families, including Gaussian and non-Gaussian states in both pure and mixed forms. We observed over 99% classification accuracy and a robust performance gap compared to strong classical baselines, especially when scaling from two to three modes. Robustness to photon loss is further quantified under a finite number of measurement shots. On the theory side, we show that when the quantum measurement stage is informationally complete, the hybrid model can approximate any continuous witness-like functional on compact sets of states.Our findings highlight CV-QNNs as a promising framework for data-driven quantum state characterization and propose specific benchmarks where near-term photonic platforms offer tangible advantages.
• Abstract（参考訳）: 量子情報における大きな課題は絡み合いを特徴づけることであり、絡み合いの目撃者が量子相関を検出する効果的な手段を提供する。 本稿では,連続可変量子ニューラルネットワーク(CV-QNN)を用いて,非線形絡み合いを量子データから直接学習するハイブリッド量子古典フレームワークを提案する。 我々のアーキテクチャは、変分干渉計、スクレーパー、非ガウスのカーゲートと小型の古典的ニューラルヘッドを組み合わせてスカラー目撃値を出力する。 ガウス系および非ガウス系を含む2モードおよび3モード系に対して,純粋および混合型の数値シミュレーションを行った。 特に2モードから3モードのスケーリングでは,99%以上の分類精度と強靭な性能差が観察された。 光子損失に対するロバスト性は、有限個の測定ショットの下でさらに定量化される。 理論面では、量子測定段階が情報的に完了した場合、このハイブリッドモデルは、コンパクトな状態の集合上で連続的な証人様関数を近似することができることが示され、我々の発見は、CV-QNNをデータ駆動型量子状態解析のための有望なフレームワークとして強調し、短期フォトニックプラットフォームが有意義な優位性をもたらす特定のベンチマークを提案する。

関連論文リスト

• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  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。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Quantum-Enhanced Generative Adversarial Networks: Comparative Analysis of Classical and Hybrid Quantum-Classical Generative Adversarial Networks [0.0]
  高忠実度データサンプルを作成するための強力なパラダイムとして、GAN(Generative Adversarial Network)が登場した。 本研究では、パラメータ化量子回路を用いて実装された量子発生器が古典的判別器の潜在ベクトルを生成するハイブリッド量子古典型GAN(HQCGAN)について検討する。 我々は,Qiskit の AerSimulator を用いて,3,5,7量子ビットのHQCGAN 変種とともに古典的 GAN を評価する。
  論文  参考訳（メタデータ） (2025-08-10T18:34:53Z)
• Universal quantum phase classification on quantum computers from machine learning [4.838808905356641]
  シャドウトモグラフィーと現代の時系列機械学習モデルを組み合わせた新しいフレームワークを提案する。 提案手法は、有限深部局所ユニタリ回路による接続性に基づく量子位相の定義を利用する。 我々は、訓練データを処理し、普遍的な量子位相分類を実現するために、先進的な時系列モデルを用いることを実証した。
  論文  参考訳（メタデータ） (2025-08-06T18:00:04Z)
• Quantum phase classification via quantum hypothesis testing [0.39102514525861415]
  理論的には2つの量子状態の区別に最適である量子ネイマン・ピアソン検定に基づく分類アルゴリズムを提案する。 その結果,提案手法は低い分類誤差確率を実現し,トレーニングコストを大幅に削減できることがわかった。 これらの知見は、量子位相分類の強力なツールとしての量子仮説テストの可能性を強調している。
  論文  参考訳（メタデータ） (2025-04-05T08:23:45Z)
• Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images [0.5892638927736115]
  本稿では,古典的・古典的ハイブリッド畳み込みニューラルネットワーク(CNN)と,ランダム化された古典的・量子的ニューラルネットワーク(NN)の性能を比較した。 これらのアプローチを,複雑性を増大させる3つのデータセット上で評価する。 クロスデータセット性能解析では、異なる分類タスク間の量子モデルの限られた転送可能性を示した。
  論文  参考訳（メタデータ） (2024-11-28T17:13:45Z)
• 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)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• 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)

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。