論文の概要: Hybrid Quantum-Classical Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2510.25557v1
• Date: Wed, 29 Oct 2025 14:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.702128
• Title: Hybrid Quantum-Classical Recurrent Neural Networks
• Title（参考訳）: ハイブリッド量子古典リカレントニューラルネットワーク
• Authors: Wenduan Xu,
• Abstract要約: 本稿では,ハイブリッドな量子古典的リカレントニューラルネットワーク(QRNN)アーキテクチャを提案する。 再帰コア全体は、古典的なフィードフォワードネットワークによって制御されるパラメタライズド量子回路(PQC)として実現される。 我々は、感情分析、MNIST、置換されたMNIST、メモリのコピー、言語モデリングを最大14キュービットでシミュレーションで評価する。
• 参考スコア（独自算出の注目度）: 0.10152838128195468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a hybrid quantum-classical recurrent neural network (QRNN) architecture in which the entire recurrent core is realized as a parametrized quantum circuit (PQC) controlled by a classical feedforward network. The hidden state is the quantum state of an $n$-qubit PQC, residing in an exponentially large Hilbert space $\mathbb{C}^{2^n}$. The PQC is unitary by construction, making the hidden-state evolution norm-preserving without external constraints. At each timestep, mid-circuit readouts are combined with the input embedding and processed by the feedforward network, which provides explicit classical nonlinearity. The outputs parametrize the PQC, which updates the hidden state via unitary dynamics. The QRNN is compact and physically consistent, and it unifies (i) unitary recurrence as a high-capacity memory, (ii) partial observation via mid-circuit measurements, and (iii) nonlinear classical control for input-conditioned parametrization. We evaluate the model in simulation with up to 14 qubits on sentiment analysis, MNIST, permuted MNIST, copying memory, and language modeling, adopting projective measurements as a limiting case to obtain mid-circuit readouts while maintaining a coherent recurrent quantum memory. We further devise a soft attention mechanism over the mid-circuit readouts in a sequence-to-sequence model and show its effectiveness for machine translation. To our knowledge, this is the first model (RNN or otherwise) grounded in quantum operations to achieve competitive performance against strong classical baselines across a broad class of sequence-learning tasks.
• Abstract（参考訳）: 本稿では,古典的フィードフォワードネットワークによって制御されるパラメタライズド量子回路(PQC)として,全リカレントコアを実現するハイブリッド量子古典型リカレントニューラルネットワーク(QRNN)アーキテクチャを提案する。 隠れ状態は、指数的に大きいヒルベルト空間 $\mathbb{C}^{2^n}$ にある$n$量子ビット PQC の量子状態である。 PQCは構成によってユニタリであり、外部の制約なしに隠れ状態の進化をノルム保存する。 それぞれのタイミングで、中間回路の読み出しと入力の埋め込みが組み合わされ、フィードフォワードネットワークによって処理され、明示的な古典的非線形性を提供する。 出力はPQCをパラメータ化し、ユニタリダイナミクスを介して隠れた状態を更新する。 QRNNはコンパクトで物理的に一貫性があり、統一される (i)高容量メモリとしての単体再発 二 中間回路計測による部分観察、及び 三 入力条件パラメトリゼーションのための非線形古典制御 我々は,最大14キュービットの感情分析,MNIST,順列MNIST,メモリのコピー,言語モデリングをシミュレーションで評価し,コヒーレントリカレントリカレントな量子メモリを維持しつつ,中間回路の読み出し値を得るための制約ケースとして投影計測を適用した。 さらに、シーケンス・ツー・シーケンスモデルにおいて、中間回路の読み出しに対してソフトアテンション機構を考案し、機械翻訳の有効性を示す。 我々の知る限り、これは量子演算に基礎を置く最初のモデル(RNNなど)であり、広範囲のシーケンス学習タスクにまたがる強力な古典的ベースラインと競合するパフォーマンスを実現する。

関連論文リスト

• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
  本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。 QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。 合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-05T02:52:37Z)
• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• 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)
• Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble [40.06696963935616]
  本稿では,量子生成拡散モデル (QGDM) を単純かつエレガントな量子モデルとして紹介する。 QGDMはQGAN(Quantum Generative Adversarial Network)よりも高速な収束を示す 混合状態発生ではQGANよりも53.02%高い忠実性が得られる。
  論文  参考訳（メタデータ） (2024-01-13T10:56:34Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)
• Quantum Annealing for Neural Network optimization problems: a new approach via Tensor Network simulations [0.0]
  量子アニーリング(QA)は、量子最適化の最も有望なフレームワークの1つである。 本稿では,QAの断熱時間進化を適切なネットワークとして効率的に表現できることを示す。 マトリックス製品状態(MPS)として表現された最適化状態が量子回路に再キャスト可能であることを示す。
  論文  参考訳（メタデータ） (2022-08-30T18:00:14Z)
• Realizing Quantum Convolutional Neural Networks on a Superconducting Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
  量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。 我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。 その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:32:57Z)

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。