論文の概要: Digitized Counterdiabatic Quantum Feature Extraction

• arxiv url: http://arxiv.org/abs/2510.13807v1
• Date: Wed, 15 Oct 2025 17:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.806712
• Title: Digitized Counterdiabatic Quantum Feature Extraction
• Title（参考訳）: Digitized Counterdiabatic Quantum Feature extract
• Authors: Anton Simen, Carlos Flores-Garrigós, Murilo Henrique De Oliveira, Gabriel Dario Alvarado Barrios, Alejandro Gomez Cadavid, Archismita Dalal, Enrique Solano, Narendra N. Hegade, Qi Zhang,
• Abstract要約: そこで本研究では,ハミルトニアンの局所多体スピンのダイナミクスを用いて,複素特徴量を生成するハミルトン型量子特徴抽出法を提案する。 分子毒性分類と画像認識を含む高次元実世界のデータセットに対するアプローチを評価する。 その結果、量子的特徴抽出と古典的特徴抽出を組み合わせることで、さまざまな機械学習タスク間で一貫した改善が得られることが示唆された。
• 参考スコア（独自算出の注目度）: 35.670314643295036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a Hamiltonian-based quantum feature extraction method that generates complex features via the dynamics of $k$-local many-body spins Hamiltonians, enhancing machine learning performance. Classical feature vectors are embedded into spin-glass Hamiltonians, where both single-variable contributions and higher-order correlations are represented through many-body interactions. By evolving the system under suitable quantum dynamics on IBM digital quantum processors with 156 qubits, the data are mapped into a higher-dimensional feature space via expectation values of low- and higher-order observables. This allows us to capture statistical dependencies that are difficult to access with standard classical methods. We assess the approach on high-dimensional, real-world datasets, including molecular toxicity classification and image recognition, and analyze feature importance to show that quantum-extracted features complement and, in many cases, surpass classical ones. The results suggest that combining quantum and classical feature extraction can provide consistent improvements across diverse machine learning tasks, indicating a reliable level of early quantum usefulness for near-term quantum devices in data-driven applications.
• Abstract（参考訳）: 我々は,ハミルトンの局所多体スピンのダイナミクスを用いて複雑な特徴を生成する量子特徴抽出法を導入し,機械学習の性能を向上させる。 古典的特徴ベクトルはスピングラスハミルトニアンに埋め込まれ、単変数の寄与と高次相関は多体相互作用によって表される。 166量子ビットのIBMデジタル量子プロセッサ上で適切な量子力学の下でシステムを進化させることで、データは低次および高次の観測可能量の期待値によって高次元の特徴空間にマッピングされる。 これにより、標準的な古典的手法ではアクセスが難しい統計的依存関係をキャプチャできる。 分子毒性の分類と画像認識を含む高次元実世界のデータセットに対するアプローチを評価し,量子抽出された特徴が古典的特徴を補完し、多くの場合は超越していることを示す。 その結果、量子的特徴抽出と古典的特徴抽出を組み合わせることで、さまざまな機械学習タスク間で一貫した改善が得られ、データ駆動アプリケーションにおける短期量子デバイスの初期量子有用性の信頼性が示唆された。

関連論文リスト

• Quenched Quantum Feature Maps [32.2069811127299]
  本稿では,量子スピンガラスのクエンチダイナミクスを利用して複雑なデータパターンを抽出する量子特徴マッピング手法を提案する。 我々の研究は量子アドバンテージレベルにおける最初の量子MLデモを示し、量子超越性と有用な実世界の学術的・産業的応用とのギャップを埋める。
  論文  参考訳（メタデータ） (2025-08-28T16:28:48Z)
• Characterizing Non-Markovian Dynamics of Open Quantum Systems [0.0]
  我々はTCLマスター方程式を用いて非マルコフ進化を特徴付ける構造保存手法を開発した。 本稿では,ローレンス・リバモア国立研究所のQuantum Device Integration Testbed (QuDIT) における超伝導量子ビットの実験データを用いた手法について述べる。 これらの知見は、短期量子プロセッサにおける量子制御とエラー軽減に寄与する、オープン量子システムの効率的なモデリング戦略に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-03-28T04:43:24Z)
• Quantum reservoir computing on random regular graphs [0.0]
  量子貯水池コンピューティング(QRC)は、入力駆動多体量子システムと古典的な学習技術を組み合わせた低複雑性学習パラダイムである。 我々は、情報局在化、動的量子相関、および乱れハミルトニアンの多体構造について研究する。 そこで本研究では、乱れたアナログ量子学習プラットフォームの最適設計のためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-09-05T16:18:03Z)
• 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)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)
• Machine learning approach for quantum non-Markovian noise classification [1.2891210250935146]
  機械学習と人工ニューラルネットワークモデルを用いてノイズの多い量子力学を分類できることを示した。 提案手法は, 多数の実験手法の直接的応用と, 既に利用可能な雑音型中間規模量子デバイスのノイズベンチマークへの応用が期待できる。
  論文  参考訳（メタデータ） (2021-01-08T20:56:56Z)

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。