論文の概要: Towards Continuous-variable Quantum Neural Networks for Biomedical Imaging

• arxiv url: http://arxiv.org/abs/2511.02051v1
• Date: Mon, 03 Nov 2025 20:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.677851
• Title: Towards Continuous-variable Quantum Neural Networks for Biomedical Imaging
• Title（参考訳）: 生体医用イメージングのための連続可変量子ニューラルネットワークを目指して
• Authors: Daniel Alejandro Lopez, Oscar Montiel, Oscar Castillo, Miguel Lopez-Montiel,
• Abstract要約: 本稿では,生体画像分類に応用した連続可変量子ニューラルネットワーク(CV-QCNN)の実現可能性について述べる。 本研究は, 連続変数モデルの可能性と今後のコンピュータ支援診断システムの実現可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 1.61915355317502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous-variable (CV) quantum computing offers a promising framework for scalable quantum machine learning, leveraging optical systems with infinite-dimensional Hilbert spaces. While discrete-variable (DV) quantum neural networks have shown remarkable progress in various computer vision tasks, CV quantum models remain comparatively underexplored. In this work, we present a feasibility study of continuous-variable quantum neural networks (CV-QCNNs) applied to biomedical image classification. Utilizing photonic circuit simulation frameworks, we construct CV quantum circuits composed of Gaussian gates, such as displacement, squeezing, rotation, and beamsplitters to emulate convolutional behavior. Our experiments are conducted on the MedMNIST dataset collection, a set of annotated medical image benchmarks for multiple diagnostic tasks. We evaluate CV-QCNN's performance in terms of classification accuracy, model expressiveness, and resilience to Gaussian noise, comparing against classical CNNs and equivalent DV quantum circuits. This study aims to identify trade-offs between DV and CV paradigms for quantum-enhanced medical imaging. Our results highlight the potential of continuous-variable models and their viability for future computer-aided diagnosis systems.
• Abstract（参考訳）: 連続可変(CV)量子コンピューティングは、無限次元ヒルベルト空間を持つ光学系を活用する、スケーラブルな量子機械学習のための有望なフレームワークを提供する。 離散可変(DV)量子ニューラルネットワークは、様々なコンピュータビジョンタスクにおいて顕著な進歩を見せているが、CV量子モデルは比較的未探索のままである。 本研究では,生体画像分類に応用した連続可変量子ニューラルネットワーク(CV-QCNN)の実現可能性について述べる。 フォトニック回路シミュレーションフレームワークを用いて,ガウスゲートからなるCV量子回路(変位,スクイーズ,回転,ビームスプリッタ)を構築し,畳み込み動作をエミュレートする。 本実験は,複数の診断タスクのための注釈付き医用画像ベンチマークのセットであるMedMNISTデータセットコレクションを用いて行った。 CV-QCNNの性能を,古典的CNNや等価DV量子回路と比較して,分類精度,モデル表現性,ガウス雑音に対する耐性の観点から評価した。 本研究の目的は,DVとCVのパラダイム間のトレードオフを量子化医療画像として同定することである。 本研究は, 連続変数モデルの可能性と今後のコンピュータ支援診断システムの実現可能性を明らかにするものである。

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)
• Enhanced image classification via hybridizing quantum dynamics with classical neural networks [0.0]
  本稿では,古典的ニューラルネットワークと量子多体系の非平衡力学を組み合わせたハイブリッドプロトコルを提案する。 このアーキテクチャは、古典的なニューラルネットワークを活用して、高次元データを効率的に処理し、量子多体システム上で効果的にエンコードする。
  論文  参考訳（メタデータ） (2025-07-18T00:15:14Z)
• A Distributed Hybrid Quantum Convolutional Neural Network for Medical Image Classification [1.458255172453241]
  本稿では,量子回路分割に基づく分散ハイブリッド量子畳み込みニューラルネットワークを提案する。 量子回路分割に基づく分散技術を統合することにより、8量子ビットQCNNは5量子ビットのみを用いて再構成できる。 本モデルは,2次・複数分類タスクの3つのデータセットにまたがる高い性能を実現する。
  論文  参考訳（メタデータ） (2025-01-07T11:58:40Z)
• Pediatric TSC-Related Epilepsy Classification from Clinical MR Images Using Quantum Neural Network [17.788579893962492]
  本研究では,従来の畳み込みニューラルネットワークと量子ニューラルネットワークをシームレスに統合した新しいディープラーニングモデルQResNetを紹介する。 TSCMRI画像分類において,従来の3D-ResNetモデルと比較してQResNetの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-08T14:11:06Z)
• Brain Tumor Diagnosis Using Quantum Convolutional Neural Networks [0.0]
  本研究では、量子特徴符号化回路と深度的に分離可能な畳み込み層を統合するハイブリッド量子畳み込みニューラルネットワーク(HQCNN)を提案する。 HQCNNは99.16%のトレーニング精度と91.47%の検証精度を達成した。
  論文  参考訳（メタデータ） (2024-01-28T23:27:06Z)
• 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)
• Simulation of Entanglement Generation between Absorptive Quantum Memories [56.24769206561207]
  我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。 本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。 本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
  論文  参考訳（メタデータ） (2022-12-17T05:51:17Z)
• 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)

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。