論文の概要: Establishing Baselines for Photonic Quantum Machine Learning: Insights from an Open, Collaborative Initiative

• arxiv url: http://arxiv.org/abs/2510.25839v1
• Date: Wed, 29 Oct 2025 18:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.517674
• Title: Establishing Baselines for Photonic Quantum Machine Learning: Insights from an Open, Collaborative Initiative
• Title（参考訳）: フォトニック量子機械学習のためのベースラインを確立する:オープンで協調的なイニシアティブからの洞察
• Authors: Cassandre Notton, Vassilis Apostolou, Agathe Senellart, Anthony Walsh, Daphne Wang, Yichen Xie, Songqinghao Yang, Ilyass Mejdoub, Oussama Zouhry, Kuan-Cheng Chen, Chen-Yu Liu, Ankit Sharma, Edara Yaswanth Balaji, Soham Prithviraj Pawar, Ludovic Le Frioux, Valentin Macheret, Antoine Radet, Valentin Deumier, Ashesh Kumar Gupta, Gabriele Intoccia, Dimitri Jordan Kenne, Chiara Marullo, Giovanni Massafra, Nicolas Reinaldet, Vincenzo Schiano Di Cola, Danylo Kolesnyk, Yelyzaveta Vodovozova, Rawad Mezher, Pierre-Emmanuel Emeriau, Alexia Salavrakos, Jean Senellart,
• Abstract要約: Perceval Challengeは、機械学習のためのフォトニック量子コンピューティングの可能性を評価するために設計された、オープンで再現可能なベンチマークである。 第1フェーズで64チームが出場した。 その結果,フォトニック機械学習性能の統一ベースラインが確立した。
• 参考スコア（独自算出の注目度）: 16.847408717437656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Perceval Challenge is an open, reproducible benchmark designed to assess the potential of photonic quantum computing for machine learning. Focusing on a reduced and hardware-feasible version of the MNIST digit classification task or near-term photonic processors, it offers a concrete framework to evaluate how photonic quantum circuits learn and generalize from limited data. Conducted over more than three months, the challenge attracted 64 teams worldwide in its first phase. After an initial selection, 11 finalist teams were granted access to GPU resources for large-scale simulation and photonic hardware execution through cloud service. The results establish the first unified baseline of photonic machine-learning performance, revealing complementary strengths between variational, hardware-native, and hybrid approaches. This challenge also underscores the importance of open, reproducible experimentation and interdisciplinary collaboration, highlighting how shared benchmarks can accelerate progress in quantum-enhanced learning. All implementations are publicly available in a single shared repository (https://github.com/Quandela/HybridAIQuantum-Challenge), supporting transparent benchmarking and cumulative research. Beyond this specific task, the Perceval Challenge illustrates how systematic, collaborative experimentation can map the current landscape of photonic quantum machine learning and pave the way toward hybrid, quantum-augmented AI workflows.
• Abstract（参考訳）: Perceval Challengeは、機械学習のためのフォトニック量子コンピューティングの可能性を評価するために設計された、オープンで再現可能なベンチマークである。 MNIST桁分類タスクや短期フォトニックプロセッサの縮小およびハードウェア実現可能なバージョンに焦点を当て、フォトニック量子回路が限られたデータからどのように学習し、一般化するかを評価するための具体的なフレームワークを提供する。 3ヶ月以上にわたって実施され、第1フェーズで64チームが参加した。 最初の選択の後、11のファイナリストチームが、大規模なシミュレーションとクラウドサービスによるフォトニックハードウェア実行のためにGPUリソースへのアクセスを許可された。 その結果、フォトニック機械学習性能の最初の統一ベースラインを確立し、変動性、ハードウェアネイティブ、ハイブリッドアプローチの相補的な強みを明らかにした。 この課題はまた、オープンで再現可能な実験と学際的なコラボレーションの重要性を強調し、共有ベンチマークが量子化学習の進歩をいかに加速するかを強調している。 すべての実装は単一の共有リポジトリ(https://github.com/Quandela/HybridAIQuantum-Challenge)で公開されている。 この特定のタスク以外にも、Perceval Challengeでは、光量子機械学習の現在の状況が、体系的で協調的な実験によってどのようにマッピングされ、ハイブリッドで量子強化されたAIワークフローへの道が開かれたかを説明している。

関連論文リスト

• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• Towards Bundle Adjustment for Satellite Imaging via Quantum Machine Learning [2.660348668799655]
  キーポイント抽出と特徴マッチングのための量子法に着目する。 これらの手法が量子アニールやゲートベースの量子コンピュータのためにどのように再計算されるかを説明する。
  論文  参考訳（メタデータ） (2022-04-23T19:33:14Z)
• Photonic Quantum Policy Learning in OpenAI Gym [0.0]
  我々は、古典的な連続制御問題を解決するために、連続可変量子機械学習アプローチを用いる。 制限されたカート問題に対して、フォトニックポリシー学習の2つのバリエーションは、同じ数のトレーニング可能なパラメータのベースラインニューラルネットワークよりも、同等のパフォーマンスレベルと高速な収束を達成する。
  論文  参考訳（メタデータ） (2021-08-29T22:17:00Z)
• Experimental Quantum Embedding for Machine Learning [7.31365367571807]
  私たちは、古典的なデータを量子データに埋め込むために、異なるプラットフォームが補完的にどのように機能するかを示します。 これらの研究は、将来の量子機械学習技術の研究の道を開くかもしれない。
  論文  参考訳（メタデータ） (2021-06-25T18:19:50Z)
• Roadmap on Integrated Quantum Photonics [0.9353686719467478]
  今後10年間で、量子フォトニックエコシステムへの継続的な研究、開発、投資により、単一機能および少数機能プロトタイプから、多機能および再構成可能なQPICの大規模統合への移行を目撃する。 このロードマップは、統合量子フォトニクスの分野における現在の進歩、将来の課題、これらの課題を満たすために必要な科学と技術の進歩を強調している。
  論文  参考訳（メタデータ） (2021-02-05T18:03:00Z)
• Advantages and Bottlenecks of Quantum Machine Learning for Remote Sensing [63.69764116066747]
  本稿では,量子コンピュータの概要を説明し,量子画像分類手法の既存手法を考察し,これらのアルゴリズムを現在利用可能なオープンソースプラットフォーム上で実行する際のボトルネックについて考察する。 次のステップでは、量子隠蔽層のサイズを拡大し、さまざまな出力イメージオプションを拡大する。
  論文  参考訳（メタデータ） (2021-01-26T09:31:46Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。