論文の概要: QuIRK: Quantum-Inspired Re-uploading KAN

• arxiv url: http://arxiv.org/abs/2510.08650v1
• Date: Thu, 09 Oct 2025 07:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.301225
• Title: QuIRK: Quantum-Inspired Re-uploading KAN
• Title（参考訳）: QuIRK:量子インスパイアされた再アップロードkan
• Authors: Vinayak Sharma, Ashish Padhy, Vijay Jagdish Karanjkar, Sourav Behera, Lord Sen, Shyamapada Mukherjee, Aviral Shrivastava,
• Abstract要約: Kolmogorov-Arnold Networks や Kans は、古典的なディープニューラルネットワークを上回る性能を示している。 本稿では,量子データ再アップロード(DR)モデルに基づくkanの量子インスパイアされた変種を紹介する。
• 参考スコア（独自算出の注目度）: 0.8242907479435281
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kolmogorov-Arnold Networks or KANs have shown the ability to outperform classical Deep Neural Networks, while using far fewer trainable parameters for regression problems on scientific domains. Even more powerful has been their interpretability due to their structure being composed of univariate B-Spline functions. This enables us to derive closed-form equations from trained KANs for a wide range of problems. This paper introduces a quantum-inspired variant of the KAN based on Quantum Data Re-uploading~(DR) models. The Quantum-Inspired Re-uploading KAN or QuIRK model replaces B-Splines with single-qubit DR models as the univariate function approximator, allowing them to match or outperform traditional KANs while using even fewer parameters. This is especially apparent in the case of periodic functions. Additionally, since the model utilizes only single-qubit circuits, it remains classically tractable to simulate with straightforward GPU acceleration. Finally, we also demonstrate that QuIRK retains the interpretability advantages and the ability to produce closed-form solutions.
• Abstract（参考訳）: Kolmogorov-Arnold NetworksまたはKansは、科学的領域における回帰問題に対して、トレーニング可能なパラメータをはるかに少なく使用しながら、古典的なディープニューラルネットワークを上回る能力を示した。 さらに強力なのは、その構造が単変数のB-スプライン関数で構成されているため、その解釈可能性である。 これにより、幅広い問題に対して訓練されたカンから閉形式方程式を導出することができる。 本稿では,量子データ再アップロード〜(DR)モデルに基づくkanの量子インスパイアされた変種を紹介する。 Quantum-Inspired Re-uploading KanまたはQuIRKモデルは、単変量関数近似器としてB-SplinesをシングルキュービットDRモデルに置き換え、より少ないパラメータを使用しながら従来のkanをマッチまたは性能良くすることができる。 これは周期関数の場合特に顕著である。 さらに、このモデルはシングルキュービット回路のみを利用するため、直感的なGPUアクセラレーションでシミュレートすることは古典的に可能である。 最後に、QuIRKは解釈可能性の利点と閉形式解を生成する能力を維持していることを示す。

関連論文リスト

• Quantum Variational Activation Functions Empower Kolmogorov-Arnold Networks [33.03489665216646]
  変分量子回路(VQC)は量子機械学習の中心である。 コルモゴロフ・アルノルドネットワーク(KAN)の最近の進歩は、学習可能なアクティベーション関数のパワーを強調している。 本稿では,DARUAN(DatA Re-Uploading ActivatioNs)と呼ばれる単一キュービットデータ再ロード回路によって実現された量子変動活性化関数(QVAF)を紹介する。
  論文  参考訳（メタデータ） (2025-09-17T14:28:42Z)
• QuKAN: A Quantum Circuit Born Machine approach to Quantum Kolmogorov Arnold Networks [2.8192469953126262]
  Kolmogorov Arnold Networks (KAN) は、より少ない神経細胞で複雑な機能を表現できる有望な能力を示した。 量子回路ボルニングマシン(QCBM)を用いたハイブリッドおよび完全量子形式におけるこれらのkanアーキテクチャの実装について述べる。 提案するQuantum Kan(QuKAN)アーキテクチャの実現可能性,解釈可能性,性能について述べる。
  論文  参考訳（メタデータ） (2025-06-27T15:51:19Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Are Quantum Circuits Better than Neural Networks at Learning Multi-dimensional Discrete Data? An Investigation into Practical Quantum Circuit Generative Models [0.0]
  多層パラメタライズド量子回路(MPQC)は古典的ニューラルネットワーク(NN)よりも表現力が高いことを示す。 我々は、MPQCが古典的に効率的にシミュレートできない確率分布を生成できる理由の体系的な証明に、利用可能な情報源を整理する。 量子回路を限られたサンプルで効率的にトレーニングする方法、勾配(量子)を効率的に計算する方法、モーダル崩壊を緩和する方法など、実用的な問題に対処する。
  論文  参考訳（メタデータ） (2022-12-13T05:31:31Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Neural Stochastic Partial Differential Equations [1.2183405753834562]
  物理に着想を得たニューラルアーキテクチャの2つの重要なクラスの拡張を提供するニューラルSPDEモデルを導入する。 一方、一般的な神経-通常、制御され、粗い-微分方程式モデルをすべて拡張し、入ってくる情報を処理することができる。 一方、関数空間間のマッピングをモデル化するニューラルネットワークの最近の一般化であるNeural Operatorsを拡張して、複雑なSPDEソリューション演算子を学習することができる。
  論文  参考訳（メタデータ） (2021-10-19T20:35:37Z)
• Rapid training of deep neural networks without skip connections or normalization layers using Deep Kernel Shaping [46.083745557823164]
  我々は、深層ネットワークに存在する主な病理組織を特定し、それらが高速にトレーニングされ、目に見えないデータに一般化されるのを防ぐ。 本稿では,ネットワークのカーネル関数の「形状」を慎重に制御することで,これらを回避する方法を示す。
  論文  参考訳（メタデータ） (2021-10-05T00:49:36Z)
• On the eigenvector bias of Fourier feature networks: From regression to solving multi-scale PDEs with physics-informed neural networks [0.0]
  ニューラルネットワーク(PINN)は、目標関数を近似する場合には、高周波またはマルチスケールの特徴を示す。 マルチスケールなランダムな観測機能を備えた新しいアーキテクチャを構築し、そのような座標埋め込み層が堅牢で正確なPINNモデルにどのように結びつくかを正当化します。
  論文  参考訳（メタデータ） (2020-12-18T04:19:30Z)

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。