Fugu-MT 論文翻訳(概要): A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks

論文の概要: A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks

arxiv url: http://arxiv.org/abs/2511.07216v1
Date: Mon, 10 Nov 2025 15:39:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:45.334865
Title: A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks
Title（参考訳）: 物理インフォームドニューラルネットワークのための古典的量子ハイブリッドアーキテクチャ
Authors: Said Lantigua, Gilson Giraldi, Renato Portugal,
Abstract要約: 本稿では,QPINN-MACを用いた量子古典的ハイブリッド物理インフォームドニューラルネットワークについて紹介する。古典的成分と量子的成分の戦略的結合により、QPINN-MACは普遍近似特性を保持する。これらの結合が勾配崩壊を防ぎ、高次元状態においてもトレーニング性を確保することを実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we introduce the Quantum-Classical Hybrid Physics-Informed Neural Network with Multiplicative and Additive Couplings (QPINN-MAC): a novel hybrid architecture that integrates the framework of Physics-Informed Neural Networks (PINNs) with that of Quantum Neural Networks (QNNs). Specifically, we prove that through strategic couplings between classical and quantum components, the QPINN-MAC retains the universal approximation property, ensuring its theoretical capacity to represent complex solutions of ordinary differential equations (ODEs). Simultaneously, we demonstrate that the hybrid QPINN-MAC architecture actively mitigates the barren plateau problem, regions in parameter space where cost-function gradients decay exponentially with circuit depth, a fundamental obstacle in QNNs that hinders optimization during training. Furthermore, we prove that these couplings prevent gradient collapse, ensuring trainability even in high-dimensional regimes. Thus, our results establish a new pathway for constructing quantum-classical hybrid models with theoretical convergence guarantees, which are essential for the practical application of QPINNs.
Abstract（参考訳）: 本稿では,QPINN(Quantum-Classical Hybrid-Informed Neural Network with Multiplicative and Additive Couplings:QPINN-MAC)を紹介する。具体的には、古典的成分と量子的成分の戦略的結合により、QPINN-MACは普遍近似特性を保持し、通常の微分方程式(ODE)の複素解を表す理論的能力を保証する。同時に、ハイブリッドQPINN-MACアーキテクチャは、コスト関数勾配が回路深さとともに指数関数的に減衰するパラメータ空間のバレンプラトー問題を積極的に緩和し、トレーニング中の最適化を妨げるQNNの基本的な障害であることを示した。さらに,これらの結合が勾配崩壊を防止し,高次元状態においてもトレーニング性を確保することを実証した。そこで本研究では,QPINNの実用化に不可欠である理論収束保証付き量子古典ハイブリッドモデルを構築するための新たな経路を構築した。

関連論文リスト

Quantum Recurrent Embedding Neural Network [11.54075064463256]
本稿では、ResNetの高速トラック情報経路にインスパイアされた量子リカレント埋め込みニューラルネットワーク(QRENN)を提案する。我々は、QRENN回路のトレーニング可能性の厳密な証明を提供し、このディープ量子ニューラルネットワークがバレンプラトーを回避することができることを示した。その結果、量子ニューラルネットワークに再帰的なデータ埋め込みのパワーと、スケーラブルな量子教師あり学習の可能性を強調した。
論文参考訳（メタデータ） (2025-06-16T07:50:31Z)
VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文参考訳（メタデータ） (2025-06-12T01:38:15Z)
RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文参考訳（メタデータ） (2025-06-04T08:30:35Z)
TunnElQNN: A Hybrid Quantum-classical Neural Network for Efficient Learning [0.0]
我々は古典層と量子層を交互に構成した非系列アーキテクチャTunnElQNNを開発した。マルチクラス分類タスクのための半円間半円合成データセット上でのハイブリッドモデルの性能評価を行った。以上の結果から,TunnElQNNモデルはReLUQNNモデルよりも一貫して優れていることがわかった。
論文参考訳（メタデータ） (2025-05-02T00:30:50Z)
QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs [0.45880283710344066]
物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワークに物理法則を埋め込むことで偏微分方程式(PDE)を解くための有望な方法として登場した。量子および古典的成分を組み合わせた量子古典物理学インフォームドニューラルネットワーク(QCPINN)を提案し,従来のPINNに匹敵する精度と収束性を維持しつつ,パラメータを著しく少なくしてPDEを解くことができる。
論文参考訳（メタデータ） (2025-03-20T19:52:26Z)
Seismic inversion using hybrid quantum neural networks [2.897792418778358]
量子コンピュータは、重ね合わせと絡み合いを利用した量子ビットを使用して動作し、古典的に難解な問題を解く能力を提供する。我々は、ポストスタックおよびプレスタック地震インバージョンのためのハイブリッド量子物理学インフォームドニューラルネットワーク(HQ-PINN)を開発した。
論文参考訳（メタデータ） (2025-03-06T22:21:45Z)
A Hybrid Quantum-Classical Physics-Informed Neural Network Architecture for Solving Quantum Optimal Control Problems [1.4811951486536687]
この研究は、量子状態操作を最適化するための革新的なアプローチを示している。提案したハイブリッドモデルは,最適制御問題の解法として機械学習手法を効果的に適用する。これは、量子状態遷移問題を解決するために、ハイブリッドPINNネットワークの設計と実装を通して説明される。
論文参考訳（メタデータ） (2024-04-23T13:22:22Z)
Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文参考訳（メタデータ） (2024-02-25T16:57:51Z)
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)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。