論文の概要: Expressive and Scalable Quantum Fusion for Multimodal Learning

• arxiv url: http://arxiv.org/abs/2510.06938v1
• Date: Wed, 08 Oct 2025 12:19:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.479615
• Title: Expressive and Scalable Quantum Fusion for Multimodal Learning
• Title（参考訳）: マルチモーダル学習のための表現的およびスケーラブル量子融合
• Authors: Tuyen Nguyen, Trong Nghia Hoang, Phi Le Nguyen, Hai L. Vu, Truong Cong Thang,
• Abstract要約: 提案手法は量子融合層 (Quantum Fusion Layer, QFL) と呼ばれ、古典的な融合スキームをハイブリッドな量子古典的手順で置き換える。 シミュレーションでは、QFLは小さなが多様なマルチモーダルタスクにおいて、強い古典的ベースラインを一貫して上回る。 これらの結果は、QFLがマルチモーダル融合に対する根本的に新しいスケーラブルなアプローチを提供し、より大きなシステムに対するより深い探索に役立つことを示唆している。
• 参考スコア（独自算出の注目度）: 16.82193084379014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aim of this paper is to introduce a quantum fusion mechanism for multimodal learning and to establish its theoretical and empirical potential. The proposed method, called the Quantum Fusion Layer (QFL), replaces classical fusion schemes with a hybrid quantum-classical procedure that uses parameterized quantum circuits to learn entangled feature interactions without requiring exponential parameter growth. Supported by quantum signal processing principles, the quantum component efficiently represents high-order polynomial interactions across modalities with linear parameter scaling, and we provide a separation example between QFL and low-rank tensor-based methods that highlights potential quantum query advantages. In simulation, QFL consistently outperforms strong classical baselines on small but diverse multimodal tasks, with particularly marked improvements in high-modality regimes. These results suggest that QFL offers a fundamentally new and scalable approach to multimodal fusion that merits deeper exploration on larger systems.
• Abstract（参考訳）: 本研究の目的は,マルチモーダル学習のための量子融合機構を導入し,その理論的および経験的ポテンシャルを確立することである。 提案手法は量子融合層 (Quantum Fusion Layer, QFL) と呼ばれ、古典的な融合スキームをパラメータ化量子回路を用いて指数的パラメータ成長を必要とせずに絡み合った特徴相互作用を学習するハイブリッド量子古典的手順に置き換える。 量子信号処理の原理により,量子成分は線形パラメータスケーリングによるモジュラリティ間の高次多項式相互作用を効率よく表現し,QFL法と低ランクテンソル法を分離し,量子クエリの利点を浮き彫りにする。 シミュレーションでは、QFLは小型だが多様なマルチモーダルタスクの古典的ベースラインを一貫して上回り、特に高モダリティレシエーションの改善が顕著である。 これらの結果は、QFLがマルチモーダル融合に対する根本的に新しいスケーラブルなアプローチを提供し、より大きなシステムに対するより深い探索に役立つことを示唆している。

関連論文リスト

• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum-enhanced neural networks for quantum many-body simulations [3.8145527526052576]
  本稿では、パラメータ化量子回路とニューラルネットワークを組み合わせて量子多体波動関数をモデル化する量子ニューラルハイブリッドフレームワークを提案する。 数値シミュレーションでは、スピン系と量子化学問題におけるハイブリッドアンサッツのスケーラビリティと精度が示されている。
  論文  参考訳（メタデータ） (2025-01-21T13:44:52Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Simulating quantum circuits using the multi-scale entanglement renormalization ansatz [0.0]
  本稿では,中間サイズ量子回路の近似シミュレーションのためのスケーラブルな手法を提案する。 提案手法は,最大243キュービットのブロックウォール量子回路に対して,最大20層まで深さの異なる提案手法をベンチマークする。
  論文  参考訳（メタデータ） (2021-12-28T09:05:01Z)
• Variational Quantum-Neural Hybrid Error Mitigation [6.555128824546528]
  量子エラー軽減(QEM)は、量子コンピュータ上で信頼性の高い結果を得るために重要である。 量子-ニューラルハイブリッド固有解法 (VQNHE) アルゴリズムは, 本質的にはノイズ耐性であり, ユニークなQEM容量を持つことを示す。
  論文  参考訳（メタデータ） (2021-12-20T08:07:58Z)
• FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits [105.54048699217668]
  任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。 FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。 本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
  論文  参考訳（メタデータ） (2021-03-15T17:38:33Z)

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。