論文の概要: AiDE-Q: Synthetic Labeled Datasets Can Enhance Learning Models for Quantum Property Estimation

• arxiv url: http://arxiv.org/abs/2509.26109v1
• Date: Tue, 30 Sep 2025 11:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.114536
• Title: AiDE-Q: Synthetic Labeled Datasets Can Enhance Learning Models for Quantum Property Estimation
• Title（参考訳）: AiDE-Q: 量子特性推定のための学習モデルを構築するための合成ラベル付きデータセット
• Authors: Xinbiao Wang, Yuxuan Du, Zihan Lou, Yang Qian, Kaining Zhang, Yong Luo, Bo Du, Dacheng Tao,
• Abstract要約: AiDE-Qは高品質な合成ラベル付きデータセットを反復的に生成する。 量子多体系と分子系の多種多様な集合について広範な数値シミュレーションを行う。
• 参考スコア（独自算出の注目度）: 83.22330172077308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum many-body problems are central to various scientific disciplines, yet their ground-state properties are intrinsically challenging to estimate. Recent advances in deep learning (DL) offer potential solutions in this field, complementing prior purely classical and quantum approaches. However, existing DL-based models typically assume access to a large-scale and noiseless labeled dataset collected by infinite sampling. This idealization raises fundamental concerns about their practical utility, especially given the limited availability of quantum hardware in the near term. To unleash the power of these DL-based models, we propose AiDE-Q (\underline{a}utomat\underline{i}c \underline{d}ata \underline{e}ngine for \underline{q}uantum property estimation), an effective framework that addresses this challenge by iteratively generating high-quality synthetic labeled datasets. Specifically, AiDE-Q utilizes a consistency-check method to assess the quality of synthetic labels and continuously improves the employed DL models with the identified high-quality synthetic dataset. To verify the effectiveness of AiDE-Q, we conduct extensive numerical simulations on a diverse set of quantum many-body and molecular systems, with up to 50 qubits. The results show that AiDE-Q enhances prediction performance for various reference learning models, with improvements of up to $14.2\%$. Moreover, we exhibit that a basic supervised learning model integrated with AiDE-Q outperforms advanced reference models, highlighting the importance of a synthetic dataset. Our work paves the way for more efficient and practical applications of DL for quantum property estimation.
• Abstract（参考訳）: 量子多体問題は様々な科学分野の中心であるが、その基底状態の性質は本質的に推定が困難である。 ディープラーニング(DL)の最近の進歩は、この分野における潜在的な解決策を提供し、以前の純粋に古典的および量子的アプローチを補完している。 しかし、既存のDLベースのモデルは、無限サンプリングによって収集された大規模でノイズのないラベル付きデータセットへのアクセスを前提としている。 この理想化は、特に短期的に量子ハードウェアが利用可能なことを考えると、実用性に関する基本的な懸念を提起する。 AiDE-Q (\underline{a}utomat\underline{i}c \underline{d}ata \underline{e}ngine for \underline{q}uantum property estimation) は、高品質な合成ラベル付きデータセットを反復的に生成することでこの問題に対処する有効なフレームワークである。 具体的には、AiDE-Qは、一貫性チェック法を用いて、合成ラベルの品質を評価し、高品質な合成データセットを同定して、採用したDLモデルを継続的に改善する。 AiDE-Qの有効性を検証するために、最大50キュービットの量子多体および分子系の多種多様な集合上で、広範な数値シミュレーションを行う。 その結果、AiDE-Qは様々な参照学習モデルの予測性能を向上し、14.2\%$まで改善した。 さらに、AIDE-Qと統合された基本的な教師付き学習モデルが高度な参照モデルより優れており、合成データセットの重要性が強調されている。 我々の研究は、量子特性推定のためのDLのより効率的で実用的な応用の道を開いた。

関連論文リスト

• Quantum-Accelerated Neural Imputation with Large Language Models (LLMs) [0.0]
  本稿では、浅い量子回路をLLMベースの計算アーキテクチャに統合する新しいフレームワークであるQuantum-UnIMPを紹介する。 ベンチマーク混合型データセットを用いた実験により, 数値特徴量(RMSE)の計算誤差を最大15.2%削減し, カテゴリー的特徴量(F1-Score)の分類精度を, 最先端の古典的手法とLLMベースの手法と比較して8.7%向上した。
  論文  参考訳（メタデータ） (2025-07-11T02:00:06Z)
• LAR-IQA: A Lightweight, Accurate, and Robust No-Reference Image Quality Assessment Model [6.074775040047959]
  我々は,ECCV AIM UHD-IQAチャレンジ検証とテストデータセット上での最先端(SOTA)性能を実現する,コンパクトで軽量なNR-IQAモデルを提案する。 本モデルでは,合成および音響的に歪んだ画像に対して,各枝を個別に訓練した二重ブランチアーキテクチャを特徴とする。 各種オープンソースデータセットを考慮した評価では,提案した軽量モデルの実用的,高精度,堅牢な性能を強調した。
  論文  参考訳（メタデータ） (2024-08-30T07:32:19Z)
• SIaM: Self-Improving Code-Assisted Mathematical Reasoning of Large Language Models [54.78329741186446]
  本稿では,コードに基づく批判モデルを用いて,質問コードデータ構築,品質管理,補完的評価などのステップをガイドする新しいパラダイムを提案する。 英語と中国語におけるドメイン内ベンチマークとドメイン外ベンチマークの両方の実験は、提案したパラダイムの有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-28T06:33:03Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Evaluating quantum generative models via imbalanced data classification benchmarks [0.0]
  我々は、20種類の実世界のデータセットから適応したハイブリッド量子古典ニューラルネットワークから生成された合成データを解析する。 このアプローチを利用して問題の品質を解明し、量子古典的ハイブリッド生成モデルに適合する可能性が、多かれ少なかれ低い。
  論文  参考訳（メタデータ） (2023-08-21T16:46:36Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• Comparing Test Sets with Item Response Theory [53.755064720563]
  我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。 また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
  論文  参考訳（メタデータ） (2021-06-01T22:33:53Z)
• Zero-shot Adversarial Quantization [11.722728148523366]
  ゼロショット逆量子化(ZAQ: Zero-shot adversarial quantization)フレームワークを提案し,効果的な不一致推定と知識伝達を容易にする。 これは、情報的で多様なデータ例を合成するためにジェネレータを駆動する、新しい2レベル不一致モデリングによって達成される。 強力なゼロショットベースラインに対してZAQの優位性を示す3つの基本的なビジョンタスクについて広範な実験を行います。
  論文  参考訳（メタデータ） (2021-03-29T01:33:34Z)

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。