論文の概要: Quantum feature-map learning with reduced resource overhead

• arxiv url: http://arxiv.org/abs/2510.03389v1
• Date: Fri, 03 Oct 2025 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.019412
• Title: Quantum feature-map learning with reduced resource overhead
• Title（参考訳）: リソースオーバーヘッドを低減した量子特徴マップ学習
• Authors: Jonas Jäger, Philipp Elsässer, Elham Torabian,
• Abstract要約: 解析的反復再構成(Q-FLAIR)による量子特徴マップ学習について紹介する。 Q-FLAIRは反復的特徴マップ回路構築における量子リソースオーバーヘッドを低減する。 我々は、実際のIBMデバイス上でわずか4時間で量子モデルをトレーニングし、全解像度のMNISTデータセットで90%を超える精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current quantum computers require algorithms that use limited resources economically. In quantum machine learning, success hinges on quantum feature maps, which embed classical data into the state space of qubits. We introduce Quantum Feature-Map Learning via Analytic Iterative Reconstructions (Q-FLAIR), an algorithm that reduces quantum resource overhead in iterative feature-map circuit construction. It shifts workloads to a classical computer via partial analytic reconstructions of the quantum model, using only a few evaluations. For each probed gate addition to the ansatz, the simultaneous selection and optimization of the data feature and weight parameter is then entirely classical. Integrated into quantum neural network and quantum kernel support vector classifiers, Q-FLAIR shows state-of-the-art benchmark performance. Since resource overhead decouples from feature dimension, we train a quantum model on a real IBM device in only four hours, surpassing 90% accuracy on the full-resolution MNIST dataset (784 features, digits 3 vs 5). Such results were previously unattainable, as the feature dimension prohibitively drives hardware demands for fixed and search costs for adaptive ans\"atze. By rethinking feature-map learning beyond black-box optimization, this work takes a concrete step toward enabling quantum machine learning for real-world problems and near-term quantum computers.
• Abstract（参考訳）: 現在の量子コンピュータは、限られた資源を経済的に利用するアルゴリズムを必要とする。 量子機械学習(quantum machine learning)では、古典的なデータを量子ビットの状態空間に埋め込む量子特徴写像(quantum feature map)が成功の鍵となる。 本稿では,反復的特徴写像回路構築における量子リソースオーバーヘッドを低減するアルゴリズムであるQ-FLAIR(Quantum Feature-Map Learning via Analytic Iterative Restructions)を紹介する。 量子モデルの部分的解析的再構成を通じて、ワークロードを古典的なコンピュータにシフトする。 アンザッツへのプローブゲートの追加ごとに、データ特徴と重みパラメータの同時選択と最適化は古典的である。 量子ニューラルネットワークと量子カーネルサポートベクトル分類器に統合されたQ-FLAIRは、最先端のベンチマークパフォーマンスを示す。 リソースオーバーヘッドは特徴次元から分離するため、実際のIBMデバイス上でわずか4時間で量子モデルをトレーニングし、フル解像度のMNISTデータセット(784のフィーチャ、3対5)で90%を超える精度で処理します。 このような結果は、機能ディメンションがハードウェアの要求を不当に駆動し、適応的な ans\atze の検索コストを抑えるため、以前は達成不可能であった。 ブラックボックス最適化以外の機能マップ学習を再考することによって、実際の問題や近未来の量子コンピュータに対する量子機械学習の実現に向けて、具体的な一歩を踏み出すことができる。

関連論文リスト

• Typical Machine Learning Datasets as Low-Depth Quantum Circuits [0.40329768057075643]
  我々は,従来の画像データを量子状態としてロードする低深度量子回路を見つけるための効率的なアルゴリズムを開発した。 我々は,MNIST,Fashion-MNIST,CIFAR-10,Imagenetteデータセットについて系統的研究を行った。
  論文  参考訳（メタデータ） (2025-05-06T10:27:51Z)
• Automating quantum feature map design via large language models [0.8009842832476994]
  本稿では,大規模言語モデルを用いて量子特徴写像を自律的に生成,評価,洗練するエージェントシステムを提案する。 MNISTデータセットの実験では、人間の介入なしに特徴マップを発見し、洗練することができる。
  論文  参考訳（メタデータ） (2025-04-10T02:27:45Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Q-gen: A Parameterized Quantum Circuit Generator [0.6062751776009752]
  本稿では、15個の現実的量子アルゴリズムを取り入れた高レベルパラメータ化量子回路生成器Q-genを紹介する。 Q-genは、古典的なコンピュータサイエンスの背景を持つユーザが量子コンピューティングの世界に飛び込むための入り口として機能するオープンソースプロジェクトである。
  論文  参考訳（メタデータ） (2024-07-26T12:22:40Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• 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)
• 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)
• Improved variational quantum eigensolver via quasi-dynamical evolution [0.0]
  変分量子固有解法 (VQE) は、現在および短期の量子デバイス向けに設計されたハイブリッド量子古典アルゴリズムである。 VQEには、量子優位性に対する好ましいスケーリングを禁じる問題がある。 本稿では,VQEを補う量子アニール法を提案する。 改良されたVQEは不毛の台地を回避し、局所的なミニマを放出し、低深度回路で動作する。
  論文  参考訳（メタデータ） (2022-02-21T11:21:44Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)

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。