論文の概要: A Stochastic Quantum Neural Network Model for Ai

• arxiv url: http://arxiv.org/abs/2511.11609v1
• Date: Mon, 03 Nov 2025 09:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.290452
• Title: A Stochastic Quantum Neural Network Model for Ai
• Title（参考訳）: Aiの確率量子ニューラルネットワークモデル
• Authors: Gautier-Edouard Filardo, Thibaut Heckmann,
• Abstract要約: 本稿では,量子ニューラルネットワーク(QNNS)の数学的形式化を提案する。 また、デコヒーレンス、量子ビット安定性、そしてAIや計算神経科学に影響を及ぼす課題についても論じる。
• 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: Artificial intelligence (AI) has drawn significant inspiration from neuroscience to develop artificial neural network (ANN) models. However, these models remain constrained by the Von Neumann architecture and struggle to capture the complexity of the biological brain. Quantum computing, with its foundational principles of superposition, entanglement, and unitary evolution, offers a promising alternative approach to modeling neural dynamics. This paper explores the possibility of a neuro-quantum model of the brain by introducing a stochastic quantum approach that incorporates random fluctuations of neuronal processing within a quantum framework. We propose a mathematical formalization of stochastic quantum neural networks (QNNS), where qubits evolve according to stochastic differential equations inspired by biological neuronal processes. We also discuss challenges related to decoherence, qubit stability, and implications for AI and computational neuroscience.
• Abstract（参考訳）: 人工知能(AI)は、ニューラルネットワーク(ANN)モデルを開発するために、神経科学から大きなインスピレーションを得ている。 しかしながら、これらのモデルはフォン・ノイマンのアーキテクチャに制約され続け、生物学的脳の複雑さを捉えるのに苦労している。 量子コンピューティングは、重ね合わせ、絡み合い、ユニタリ進化の基本原理を持ち、ニューラルダイナミクスをモデル化するための有望な代替手段を提供する。 本稿では,脳のランダムなゆらぎを量子フレームワークに組み込んだ確率的量子アプローチを導入することで,脳のニューロ量子モデルの可能性について検討する。 本稿では, 確率的量子ニューラルネットワーク (QNNS) の数学的形式化を提案する。 また、デコヒーレンス、量子ビット安定性、そしてAIや計算神経科学に影響を及ぼす課題についても論じる。

関連論文リスト

• Canonical Quantization of a Memristive Leaky Integrate-and-Fire Neuron Circuit [0.0]
  本稿では,量子化分裂型Leaky Integrate-and-Fire(LIF)ニューロンの理論的枠組みを提案する。 我々は、回路量子力学の基底となる量子モデルを導出するために正準量子化法を適用した。
  論文  参考訳（メタデータ） (2025-06-26T15:14:08Z)
• Neural Manifolds and Cognitive Consistency: A New Approach to Memory Consolidation in Artificial Systems [0.0]
  本稿では, ニューラル人口動態, 海馬鋭波リップル(SpWR)生成, ハイダー理論に触発された認知的一貫性の制約を統一する新しい数学的枠組みを提案する。 我々のモデルは低次元多様体表現を利用して構造化された神経ドリフトを捕捉し、コヒーレントシナプス相互作用を強制するためにバランスエネルギー関数を組み込む。 この研究は、神経科学と人工知能を橋渡しするスケーラブルなニューロモルフィックアーキテクチャの道を開くもので、将来のインテリジェントシステムに対してより堅牢で適応的な学習メカニズムを提供する。
  論文  参考訳（メタデータ） (2025-02-25T18:28:25Z)
• Exploring Biological Neuronal Correlations with Quantum Generative Models [0.0]
  生体神経活動の空間的・時間的相関を捉える合成データを生成するための量子生成モデルフレームワークを提案する。 本モデルは,従来の手法に比べてトレーニング可能なパラメータが少なく,信頼性の高い結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Quantum Neural Networks -- Computational Field Theory and Dynamics [0.0]
  量子人工ニューラルネットワークの力学系としての形式化が開発されている。 量子コンピュータ科学、量子複雑性研究、量子技術、神経科学にもその意味がある。
  論文  参考訳（メタデータ） (2022-03-19T10:37:23Z)
• A brain basis of dynamical intelligence for AI and computational neuroscience [0.0]
  より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。 本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
  論文  参考訳（メタデータ） (2021-05-15T19:49:32Z)

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。