論文の概要: Entanglement and Classical Simulability in Quantum Extreme Learning Machines

• arxiv url: http://arxiv.org/abs/2509.06873v2
• Date: Fri, 24 Oct 2025 16:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.131596
• Title: Entanglement and Classical Simulability in Quantum Extreme Learning Machines
• Title（参考訳）: 量子エクストリーム学習マシンにおける絡み合いと古典的シミュラビリティ
• Authors: A. De Lorenzis, M. P. Casado, N. Lo Gullo, T. Lux, F. Plastina, A. Riera,
• Abstract要約: 本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。 我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。 この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Machine Learning (QML) has emerged as a promising framework to exploit quantum mechanics for computational advantage. Here we investigate Quantum Extreme Learning Machines (QELMs), a quantum analogue of classical Extreme Learning Machines in which training is restricted to the output layer. Our architecture combines dimensionality reduction (via PCA or Autoencoders), quantum state encoding, evolution under an XX Hamiltonian, and projective measurement to produce features for a classical single-layer classifier. By analyzing the classification accuracy as a function of evolution time, we identify a sharp transition between low- and high-accuracy regimes, followed by saturation. Remarkably, the saturation value coincides with that obtained using random unitaries that generate maximally complex dynamics, even though the XX model is integrable and local. We show that this performance enhancement correlates with the onset of entanglement, which improves the embedding of classical data in Hilbert space and leads to more separable clusters in measurement probability space. Thus, entanglement contributes positively to the structure of the data embedding, improving learnability without necessarily implying computational advantage. For the image classification tasks studied in this work (namely MNIST, Fashion-MNIST, and CIFAR-10) the required evolution time corresponds to information exchange among nearest neighbors and is independent of the system size. This implies that QELMs rely on limited entanglement and remain classically simulable for a broad class of learning problems. Our results clarify how moderate quantum correlations bridge the gap between quantum dynamics and classical feature learning.
• Abstract（参考訳）: 量子機械学習(QML)は、計算上の優位性のために量子力学を利用する、有望なフレームワークとして登場した。 本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。 我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および古典的な単層分類器の特徴を生み出す射影測定を組み合わせる。 進化時間の関数として分類精度を解析することにより、低精度と高精度のレジーム間の急激な遷移と飽和を識別する。 顕著なことに、飽和値は、XXモデルが可積分かつ局所であるにもかかわらず、最大複素力学を生成するランダムユニタリを用いて得られるものと一致する。 この性能向上は, エンタングルメントの開始と相関し, ヒルベルト空間における古典的データの埋め込みを改善し, 測定確率空間におけるより分離可能なクラスタを生み出すことを示す。 このように、絡み合いはデータ埋め込みの構造に肯定的に寄与し、必ずしも計算上の利点を示唆することなく学習性を向上させる。 この研究で研究された画像分類タスク(MNIST、Fashion-MNIST、CIFAR-10)では、必要となる進化時間は隣人間の情報交換に対応し、システムサイズに依存している。 これはQELMが限られた絡み合いに依存しており、幅広い学習問題に対して古典的にシミュレート可能であることを意味する。 以上の結果から,量子力学と古典的特徴学習のギャップを中程度の量子相関がいかに埋めるかが明らかとなった。

関連論文リスト

• Quantum Long Short-term Memory with Differentiable Architecture Search [9.511240423252707]
  QLSTMのような量子リカレントモデルは、時系列予測、NLP、強化学習を約束している。 DiffQAS-QLSTMは、トレーニング中のVQCパラメータとアーキテクチャ選択の両方を最適化するエンドツーエンドの差別化可能なフレームワークである。 我々の結果は、DiffQAS-QLSTMが手作りのベースラインを一貫して上回り、多様なテスト設定で損失を減らしていることを示している。
  論文  参考訳（メタデータ） (2025-08-20T16:15:00Z)
• 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)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)

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。