論文の概要: Quantum Hyperdimensional Computing: a foundational paradigm for quantum neuromorphic architectures

• arxiv url: http://arxiv.org/abs/2511.12664v1
• Date: Sun, 16 Nov 2025 16:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.435004
• Title: Quantum Hyperdimensional Computing: a foundational paradigm for quantum neuromorphic architectures
• Title（参考訳）: 量子超次元計算 : 量子ニューロモルフィックアーキテクチャの基礎パラダイム
• Authors: Fabio Cumbo, Rui-Hao Li, Bryan Raubenolt, Jayadev Joshi, Abu Kaisar Mohammad Masum, Sercan Aygun, Daniel Blankenberg,
• Abstract要約: 本稿では,量子超次元コンピューティング(QHDC)について紹介する。 古典的手法である超次元計算(HDC)のコア演算が,QCのネイティブ演算に対して顕著なエレガンスと直接対応を持つ写像であることを示す。 本稿では、シンボリックなアナロジー推論と教師付き分類タスクによって検証された、このフレームワークの最初の実装について述べる。
• 参考スコア（独自算出の注目度）: 0.5785414922972825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A significant challenge in quantum computing (QC) is developing learning models that truly align with quantum principles, as many current approaches are complex adaptations of classical frameworks. In this work, we introduce Quantum Hyperdimensional Computing (QHDC), a fundamentally new paradigm. We demonstrate that the core operations of its classical counterpart, Hyperdimensional Computing (HDC), a brain-inspired model, map with remarkable elegance and direct correspondence onto the native operations of a QC. This suggests HDC is exceptionally well-suited for a quantum-native implementation. We establish a direct, resource-efficient mapping: (i) hypervectors are mapped to quantum states, (ii) the bundling operation is implemented as a quantum-native averaging process using a Linear Combination of Unitaries (LCU) and Oblivious Amplitude Amplification (OAA), (iii) the binding operation is realized via quantum phase oracles, (iv) the permutation operation is implemented using the Quantum Fourier Transform (QFT), and (v) vector similarity is calculated using quantum state fidelity measurements based on the Hadamard Test. We present the first-ever implementation of this framework, validated through symbolic analogical reasoning and supervised classification tasks. The viability of QHDC is rigorously assessed via a comparative analysis of results from classical computation, ideal quantum simulation, and execution of a 156-qubit IBM Heron r3 quantum processor. Our results validate the proposed mappings and demonstrate the versatility of the framework, establishing QHDC as a physically realizable technology. This work lays the foundation for a new class of quantum neuromorphic algorithms and opens a promising avenue for tackling complex cognitive and biomedical problems intractable for classical systems.
• Abstract（参考訳）: 量子コンピューティング(QC)における重要な課題は、古典的なフレームワークの複雑な適応である多くの現在のアプローチと同様に、量子原理と真に整合した学習モデルを開発することである。 本稿では,量子超次元計算(QHDC)について紹介する。 本稿では,脳に触発されたモデルである超次元計算(Hyperdimensional Computing,HDC)のコア操作が,QCのネイティブ操作に顕著なエレガンスと直接対応を持たせることを実証する。 これはHDCが量子ネイティブの実装に非常に適していることを示している。 私たちは、直接的でリソース効率のよいマッピングを確立します。 i)超ベクトルは量子状態にマッピングされる。 二 結合操作は、LCU(Linear Combination of Unitary)とOAA(Oblivious Amplitude Amplification)を併用した量子ネイティブ平均化処理として実施する。 三) 結合操作は量子相オラクルにより実現される。 (四)量子フーリエ変換(QFT)を用いて置換演算を行い、 (v)ベクトル類似度は、アダマールテストに基づく量子状態忠実度測定を用いて計算される。 本稿では、シンボリックなアナロジー推論と教師付き分類タスクによって検証された、このフレームワークの最初の実装について述べる。 QHDCの生存性は、古典計算、理想量子シミュレーション、および156量子ビットのIBM Heron r3量子プロセッサの実行による結果の比較分析によって厳密に評価される。 提案手法の有効性を検証し,QHDCを物理的に実現可能な技術として確立した。 この研究は、量子ニューロモルフィックアルゴリズムの新たなクラスの基礎を築き、古典的なシステムに求められる複雑な認知的・生医学的な問題に対処するための有望な道を開いた。

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)
• 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)
• QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design [63.02824918725805]
  量子コンピューティングは、量子アルゴリズムによる古典的コンピューティングよりも大幅にスピードアップされていることが認識されている。 QCircuitBenchは、量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された最初のベンチマークデータセットである。
  論文  参考訳（メタデータ） (2024-10-10T14:24:30Z)
• 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 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)
• Sparse Quantum State Preparation for Strongly Correlated Systems [0.0]
  原理として、指数関数的にスケールする多電子波関数を線形にスケールする量子ビットレジスタに符号化することは、従来の量子化学法の限界を克服するための有望な解決策を提供する。 基底状態量子アルゴリズムが実用的であるためには、量子ビットの初期化が要求される基底状態の高品質な近似に必須である。 量子状態準備(QSP)は、古典的な計算から得られる近似固有状態の生成を可能にするが、量子情報のオラクルとして頻繁に扱われる。
  論文  参考訳（メタデータ） (2023-11-06T18:53:50Z)

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。