論文の概要: Hybrid Quantum-Classical Selective State Space Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2511.08349v1
- Date: Wed, 12 Nov 2025 01:54:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-12 20:17:03.77355
- Title: Hybrid Quantum-Classical Selective State Space Artificial Intelligence
- Title（参考訳）: ハイブリッド量子古典的空間人工知能
- Authors: Amin Ebrahimi, Farzan Haddadi,
- Abstract要約: 時間列分類問題に対するMambaアーキテクチャのためのHybrid Quantum Classical selection機構を提案する。
提案手法では,変分量子回路(VQC)を量子ゲーティングモジュールとして利用し,特徴抽出を強化し,無関係情報の抑圧を改善する。
大規模言語モデル(LLM)への量子サブルーチンの導入が一般化能力,表現性,パラメータ効率に与える影響を解析する。
- 参考スコア（独自算出の注目度）: 1.4896509623302832
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid Quantum Classical (HQC) algorithms constitute one of the most effective paradigms for exploiting the computational advantages of quantum systems in large-scale numerical tasks. By operating in high-dimensional Hilbert spaces, quantum circuits enable exponential speed-ups and provide access to richer representations of cost landscapes compared to purely classical methods. These capabilities are particularly relevant for machine learning, where state-of-the-art models especially in Natural Language Processing (NLP) suffer from prohibitive time complexity due to massive matrix multiplications and high-dimensional optimization. In this manuscript, we propose a Hybrid Quantum Classical selection mechanism for the Mamba architecture, designed specifically for temporal sequence classification problems. Our approach leverages Variational Quantum Circuits (VQCs) as quantum gating modules that both enhance feature extraction and improve suppression of irrelevant information. This integration directly addresses the computational bottlenecks of deep learning architectures by exploiting quantum resources for more efficient representation learning. We analyze how introducing quantum subroutines into large language models (LLMs) impacts their generalization capability, expressivity, and parameter efficiency. The results highlight the potential of quantum-enhanced gating mechanisms as a path toward scalable, resource-efficient NLP models, in a limited simulation step. Within the first four epochs on a reshaped MNIST dataset with input format (batch, 784, d_model), our hybrid model achieved 24.6% accuracy while using one quantum layer and achieve higher expressivity, compared to 21.6% obtained by a purely classical selection mechanism. we state No founding
- Abstract（参考訳）: ハイブリッド量子古典(HQC)アルゴリズムは、大規模数値処理における量子システムの計算上の優位性を利用するための最も効果的なパラダイムの1つである。
高次元ヒルベルト空間で演算することにより、量子回路は指数的なスピードアップを可能にし、純粋に古典的な方法に比べてコストランドスケープのリッチな表現へのアクセスを提供する。
これらの機能は機械学習に特に関係しており、特に自然言語処理(NLP)における最先端のモデルでは、行列の乗算と高次元最適化による禁断の時間的複雑さに悩まされている。
本稿では,時間列分類問題に特化して設計されたMambaアーキテクチャのためのハイブリッド量子古典選択機構を提案する。
提案手法では,変分量子回路(VQC)を量子ゲーティングモジュールとして利用し,特徴抽出を強化し,無関係情報の抑圧を改善する。
この統合は、より効率的な表現学習のために量子リソースを活用することによって、ディープラーニングアーキテクチャの計算ボトルネックに直接対処する。
大規模言語モデル(LLM)への量子サブルーチンの導入が一般化能力,表現性,パラメータ効率に与える影響を解析する。
その結果、限られたシミュレーション段階において、スケーラブルで資源効率のよいNLPモデルへの道筋として量子強化ゲーティング機構の可能性を強調した。
入力形式 (バッチ, 784, d_model) を持つMNISTデータセット上の最初の4つのエポックにおいて、我々のハイブリッドモデルは1つの量子層を用いて24.6%の精度を達成し、純粋に古典的な選択機構によって得られた21.6%と比較して高い表現性を達成した。
創始者なし」と
関連論文リスト
- 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) - Quantum autoencoders for image classification [0.0]
量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。
本研究では,QAEを用いた新しい画像分類手法を提案する。
論文 参考訳（メタデータ） (2025-02-21T07:13:38Z) - Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。
この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-02-17T16:04:04Z) - Quantum-Enhanced Attention Mechanism in NLP: A Hybrid Classical-Quantum Approach [0.0]
本稿では,量子化されたアテンション機構を標準の古典的アーキテクチャに組み込んだ,古典量子変換器のハイブリッドモデルを提案する。
様々なNLPベンチマークにおいて,このアプローチの有効性を実証し,効率と表現能力の両面で改善したことを示す。
論文 参考訳（メタデータ） (2025-01-26T18:29:06Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。
オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。
これらの特徴を5量子ビット量子状態にマッピングする。
論文 参考訳（メタデータ） (2024-08-05T22:16:27Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Hybrid Quantum Classical Simulations [0.0]
量子コンピューティングの2つの主要なハイブリッド応用、すなわち量子近似最適化アルゴリズム(QAOA)と変分量子固有解法(VQE)について報告する。
どちらも、古典的な中央処理ユニットと量子処理ユニットの間の漸進的な通信を必要とするため、ハイブリッド量子古典アルゴリズムである。
論文 参考訳（メタデータ） (2022-10-06T10:49:15Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z)
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。