論文の概要: FAQNAS: FLOPs-aware Hybrid Quantum Neural Architecture Search using Genetic Algorithm

• arxiv url: http://arxiv.org/abs/2511.10062v1
• Date: Fri, 14 Nov 2025 01:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.674223
• Title: FAQNAS: FLOPs-aware Hybrid Quantum Neural Architecture Search using Genetic Algorithm
• Title（参考訳）: FAQNAS:遺伝的アルゴリズムを用いたFLOPs対応ハイブリッド量子ニューラルネットワーク探索
• Authors: Muhammad Kashif, Shaf Khalid, Alberto Marchisio, Nouhaila Innan, Muhammad Shafique,
• Abstract要約: ハイブリット量子ニューラルネットワーク(HQNN)は、ノイズの多い中間スケール量子(NISQ)時代に有望なモデルとして出現している。 FLOPを意識したニューラルネットワーク探索(NAS)フレームワークであるFAQNASを導入し、HQNN設計を多目的最適化問題バランス精度とFLOPsとして定式化する。 NISQ時代のHQNN設計の実践的基準としてFLOPを意識し、将来のHQNNシステムのスケーラブルな原則として確立した。
• 参考スコア（独自算出の注目度）: 2.1702673021505245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid Quantum Neural Networks (HQNNs), which combine parameterized quantum circuits with classical neural layers, are emerging as promising models in the noisy intermediate-scale quantum (NISQ) era. While quantum circuits are not naturally measured in floating point operations (FLOPs), most HQNNs (in NISQ era) are still trained on classical simulators where FLOPs directly dictate runtime and scalability. Hence, FLOPs represent a practical and viable metric to measure the computational complexity of HQNNs. In this work, we introduce FAQNAS, a FLOPs-aware neural architecture search (NAS) framework that formulates HQNN design as a multi-objective optimization problem balancing accuracy and FLOPs. Unlike traditional approaches, FAQNAS explicitly incorporates FLOPs into the optimization objective, enabling the discovery of architectures that achieve strong performance while minimizing computational cost. Experiments on five benchmark datasets (MNIST, Digits, Wine, Breast Cancer, and Iris) show that quantum FLOPs dominate accuracy improvements, while classical FLOPs remain largely fixed. Pareto-optimal solutions reveal that competitive accuracy can often be achieved with significantly reduced computational cost compared to FLOPs-agnostic baselines. Our results establish FLOPs-awareness as a practical criterion for HQNN design in the NISQ era and as a scalable principle for future HQNN systems.
• Abstract（参考訳）: パラメータ化された量子回路と古典的なニューラルネットワーク層を組み合わせたHybrid Quantum Neural Networks (HQNN) は、ノイズの多い中間スケール量子(NISQ)時代に有望なモデルとして出現している。 量子回路は浮動小数点演算(FLOP)では自然に測定されないが、ほとんどのHQNN(NISQ時代)は、FLOPがランタイムとスケーラビリティを直接予測する古典的なシミュレータで訓練されている。 したがって、FLOPはHQNNの計算複雑性を測定するための実用的で実行可能な指標である。 本研究では,FLOPを意識したニューラルネットワーク探索(NAS)フレームワークであるFAQNASを紹介する。 従来のアプローチとは異なり、FAQNASはFLOPを最適化の目的に明示的に組み込んでおり、計算コストを最小化しながら高い性能を達成するアーキテクチャの発見を可能にしている。 5つのベンチマークデータセット(MNIST, Digits, Wine, Breast Cancer, Iris)の実験では、量子FLOPが精度の向上を支配し、古典的なFLOPは依然として大半が固定されている。 パレート最適解は、FLOPs非依存のベースラインに比べて計算コストが大幅に削減され、しばしば競争精度が達成されることを示した。 NISQ時代のHQNN設計の実践的基準としてFLOPを意識し、将来のHQNNシステムのスケーラブルな原則として確立した。

関連論文リスト

• Selective Feature Re-Encoded Quantum Convolutional Neural Network with Joint Optimization for Image Classification [3.8876018618878585]
  量子畳み込みニューラルネットワーク(QCNN)は、量子データと古典データの両方を分類する有望な結果を実証している。 本研究では,特徴処理の高度化と分類精度向上のためのQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-02T18:51:56Z)
• 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)
• Computational Advantage in Hybrid Quantum Neural Networks: Myth or Reality? [4.635820333232683]
  ハイブリッド量子ニューラルネットワーク(HQNN)は、計算性能を向上させる可能性に注目されている。 量子層は純粋に古典的なモデルよりも計算上の優位性を提供しますか? 本稿では,従来のモデルとハイブリッドモデルがアーキテクチャの複雑さを増す問題にどのように適応するかを考察する。
  論文  参考訳（メタデータ） (2024-12-06T12:31:04Z)
• FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks [2.5435687567731926]
  FL-QDSNN(Federated Learning-Quantum Dynamic Spiking Neural Networks)を提案する。 FL-QDSNNは、非IIDクライアントデータに対する高い予測精度を維持するプライバシー保護フレームワークである。 その鍵となる革新は、局所的なデータドリフトが追加表現性を必要とする場合にのみ量子ゲートをトリガーする動的閾値スパイキング機構である。
  論文  参考訳（メタデータ） (2024-12-03T09:08:33Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。