論文の概要: Quantum Autoencoder: An efficient approach to quantum feature map generation

• arxiv url: http://arxiv.org/abs/2509.19157v1
• Date: Tue, 23 Sep 2025 15:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.928048
• Title: Quantum Autoencoder: An efficient approach to quantum feature map generation
• Title（参考訳）: 量子オートエンコーダ:量子特徴写像生成への効率的なアプローチ
• Authors: Shengxin Zhuang, Yusen Wu, Xavier F. Cadet, Du Q. Huynh, Wei Liu, Philippe Charton, Cedric Damour, Frederic Cadet, Jingbo B. Wang,
• Abstract要約: 量子オートエンコーダを300万個のペプチド配列で数値的に訓練する。 本研究は,高血圧性ペプチドの予測を含む複数のペプチド分類問題に対して有効性を評価する。 その結果、量子オートエンコーダが学習した表現は、ハミルトンのベースラインよりも0.4%から8.1%の精度の向上を達成することが示された。
• 参考スコア（独自算出の注目度）: 4.999000519911876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning methods often rely on fixed, hand-crafted quantum encodings that may not capture optimal features for downstream tasks. In this work, we study the power of quantum autoencoders in learning data-driven quantum representations. We first theoretically demonstrate that the quantum autoencoder method is efficient in terms of sample complexity throughout the entire training process. Then we numerically train the quantum autoencoder on 3 million peptide sequences, and evaluate their effectiveness across multiple peptide classification problems including antihypertensive peptide prediction, blood-brain barrier-penetration, and cytotoxic activity detection. The learned representations were compared against Hamiltonian-evolved baselines using a quantum kernel with support vector machines. Results show that quantum autoencoder learned representations achieve accuracy improvements ranging from 0.4\% to 8.1\% over Hamiltonian baselines across seven datasets, demonstrating effective generalization to diverse downstream datasets with pre-training enabling effective transfer learning without task-specific fine-tuning. This work establishes that quantum autoencoder architectures can effectively learn from large-scale datasets (3 million samples) with compact parameterizations ($\sim$900 parameters), demonstrating their viability for practical quantum applications.
• Abstract（参考訳）: 量子機械学習の手法は、しばしば、下流タスクの最適な特徴を捉えない固定された手作りの量子符号化に依存している。 本研究では,データ駆動型量子表現学習における量子オートエンコーダのパワーについて検討する。 まず, 量子オートエンコーダ法は, 学習過程全体を通して, サンプルの複雑さの観点から, 効率的であることが理論的に証明された。 次に,300万個のペプチド配列上で量子オートエンコーダを数値的に訓練し,その効果を高血圧性ペプチドの予測,血液脳関門透過,細胞障害活性の検出など,複数のペプチド分類問題にわたって評価した。 学習された表現は、支持ベクトルマシンを持つ量子カーネルを用いてハミルトン進化ベースラインと比較された。 その結果、量子オートエンコーダが学習した表現は、7つのデータセットにまたがるハミルトンベースラインよりも0.4\%から8.1\%の精度向上を実現し、タスク固有の微調整を伴わずに効果的な伝達学習を可能にする事前学習による様々な下流データセットへの効果的な一般化を実証した。 この研究は、量子オートエンコーダアーキテクチャが、コンパクトなパラメータ化($900のパラメータ)を持つ大規模なデータセット(3百万のサンプル)から効果的に学習できることを証明し、実用的な量子アプリケーションに対するそれらの生存可能性を示す。

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)
• 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)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
  我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。 QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-17T12:02:01Z)
• Quantum-enhanced bosonic learning machine [0.0]
  本稿では,量子データに閉じ込められたイオンのシステムで動作させる量子強化ボソニック学習マシンについて述べる。 我々は、高次元量子状態の集合におけるパターンを認識するために、教師なしK平均アルゴリズムを実装した。 得られた知識を用いて、未知の量子状態を教師付きk-NNアルゴリズムで分類する。
  論文  参考訳（メタデータ） (2021-04-09T02:44:57Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。