論文の概要: Qlustering: Harnessing Network-Based Quantum Transport for Data Clustering

• arxiv url: http://arxiv.org/abs/2510.22727v1
• Date: Sun, 26 Oct 2025 15:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.340185
• Title: Qlustering: Harnessing Network-Based Quantum Transport for Data Clustering
• Title（参考訳）: Qlustering: データクラスタリングのためのネットワークベースの量子トランスポート
• Authors: Shmuel Lorber, Yonatan Dubi,
• Abstract要約: 我々は、ネットワークベースの量子トランスポートを利用してデータクラスタリングを行う、教師なし学習のための量子インスピレーション付きアルゴリズムであるQlusteringを紹介する。 データはリンドブラッド方程式によって支配される定常結合ハミルトン電流の入力状態として符号化される。 我々はQlusteringを、合成データセット、ローカライゼーション問題、実世界の化学データに基づいてベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Qlustering, a quantum-inspired algorithm for unsupervised learning that leverages network-based quantum transport to perform data clustering. In contrast to traditional distance-based methods, Qlustering treats the steady-state dynamics of quantum particles propagating through a network as a computational resource. Data are encoded as input states in a tight-binding Hamiltonian framework governed by the Lindblad master equation, and cluster assignments emerge from steady-state output currents at terminal nodes. The algorithm iteratively optimizes the network's Hamiltonian to minimize a physically motivated cost function, achieving convergence through stochastic updates. We benchmark Qlustering on synthetic datasets, a localization problem, and real-world chemical and biological data, namely subsets of the QM9 molecular database and the Iris dataset. Across these diverse tasks, Qlustering demonstrates competitive or superior performance compared with classical methods such as k-means, particularly for non-convex or high-dimensional data. Its intrinsic robustness, low computational complexity, and compatibility with photonic implementations suggest a promising route toward physically realizable, quantum-native clustering architectures.
• Abstract（参考訳）: 我々は、ネットワークベースの量子トランスポートを利用してデータクラスタリングを行う、教師なし学習のための量子インスピレーション付きアルゴリズムであるQlusteringを紹介する。 従来の距離に基づく手法とは対照的に、Qlusteringは計算資源としてネットワークを介して伝播する量子粒子の定常力学を扱う。 データはリンドブラッドマスター方程式が支配する強結合ハミルトンフレームワークの入力状態として符号化され、終端ノードの定常出力電流からクラスター割り当てが出現する。 このアルゴリズムは、ネットワークのハミルトニアンを反復的に最適化し、物理的に動機付けられたコスト関数を最小化し、確率的更新によって収束を達成する。 我々は、Qlusteringを、合成データセット、局在問題、実世界の化学・生物データ、すなわちQM9分子データベースとアイリスデータセットのサブセットにベンチマークする。 これらの多様なタスクの中で、Qlusteringはk-meansのような古典的な手法、特に非凸データや高次元データと比較して、競争力や優れたパフォーマンスを示す。 その本質的な堅牢性、計算複雑性の低さ、フォトニック実装との互換性は、物理的に実現可能な量子ネイティブクラスタリングアーキテクチャへの有望な道のりを示唆している。

関連論文リスト

• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Hamiltonian formulations of centroid-based clustering [0.46040036610482665]
  我々は、ハミルトニアン基底状態の探索としてクラスタリング問題を定式化する。 我々は、異なるクラスタリング目的に対応するために、様々なハミルトン的手法を提案する。 D-Wave量子アニールの数値シミュレーションと実装によるクラスタリング性能の評価を行った。
  論文  参考訳（メタデータ） (2025-02-10T15:08:22Z)
• Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
  量子機械学習は、環境モニタリング、医療診断、金融モデリングといった様々な応用において有望であることを示している。 重要な課題のひとつは、希少なイベントがスキューデータ分散によって誤って分類される、不均衡なデータセットを扱うことだ。 本稿では,QBNを用いて衛星由来の不均衡データセットを分類し,非スパイル領域とオイルスパイル'を区別するベイズ的手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T15:44:26Z)
• Measurement-based quantum convolutional neural network for deep learning [7.689125776844024]
  本稿では,クラスタ状態を利用して量子畳み込みニューラルネットワーク(QCNN)を実装するための代替手法を提案する。 システム全体の安定化は、複雑な制御を避けることで容易である。 クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-12-11T08:55:07Z)
• A clustering aggregation algorithm on neutral-atoms and annealing quantum processors [0.44531072184246007]
  本研究では、クラスタリングアグリゲーションを実行するためのハイブリッド量子古典アルゴリズムを提案する。 中立原子の量子コンピュータと量子アニールのために設計された。 発見は、ハイブリッド量子古典パイプラインの将来的な発展の可能性を示唆している。
  論文  参考訳（メタデータ） (2024-12-10T14:48:44Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• 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)
• Practical Quantum K-Means Clustering: Performance Analysis and Applications in Energy Grid Classification [0.0]
  ノイズの多いハードウェアによる落とし穴を回避するために,量子$k$-meansクラスタリングの汎用的で競争的で並列化されたバージョンを提案する。 実世界のドイツの電力グリッドデータを用いて、従来のアルゴリズムのラベル付けに関して、新しい手法は標準量子$k$-meansクラスタリングのバランスの取れた精度を67.8%向上させることを示した。
  論文  参考訳（メタデータ） (2021-12-15T22:10:51Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。