論文の概要: Fidelity-Preserving Quantum Encoding for Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2511.15363v1
• Date: Wed, 19 Nov 2025 11:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.786064
• Title: Fidelity-Preserving Quantum Encoding for Quantum Neural Networks
• Title（参考訳）: 量子ニューラルネットワークのための忠実度保存量子符号化
• Authors: Yuhu Lu, Jinjing Shi,
• Abstract要約: 既存の符号化方式は、ノイズ中間スケール量子NISQデバイスの限られた量子ビットに高次元画像を適用する際に、空間情報や意味情報を破棄する。 本稿では、ほぼロスレスなデータ圧縮と量子符号化を行うフィデリティ保存量子保存フレームワークを提案する。 実験の結果、FPQEはMNISTのような単純なデータセットの従来の手法と相容れない性能を示し、より複雑なデータセットの明確な改善を実現している。
• 参考スコア（独自算出の注目度）: 2.9621136443259872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficiently encoding classical visual data into quantum states is essential for realizing practical quantum neural networks (QNNs). However, existing encoding schemes often discard spatial and semantic information when adapting high-dimensional images to the limited qubits of Noisy Intermediate-Scale Quantum (NISQ) devices. We propose a Fidelity-Preserving Quantum Encoding (FPQE) framework that performs near lossless data compression and quantum encoding. FPQE employs a convolutional encoder-decoder to learn compact multi-channel representations capable of reconstructing the original data with high fidelity, which are then mapped into quantum states through amplitude encoding. Experimental results show that FPQE performs comparably to conventional methods on simple datasets such as MNIST, while achieving clear improvements on more complex ones, outperforming PCA and pruning based encodings by up to 10.2\% accuracy on Cifar-10. The performance gain grows with data complexity, demonstrating FPQE's ability to preserve high-level structural information across diverse visual domains. By maintaining fidelity during classical to quantum transformation, FPQE establishes a scalable and hardware efficient foundation for high-quality quantum representation learning.
• Abstract（参考訳）: 古典的視覚データを量子状態に効率的に符号化することは、実用的な量子ニューラルネットワーク(QNN)の実現に不可欠である。 しかし、既存の符号化方式は、高次元画像をノイズ中間量子(NISQ)デバイスの限られた量子ビットに適応させる際に、空間情報や意味情報を破棄することが多い。 本稿では、ほぼロスレスなデータ圧縮と量子符号化を行うFPQE(Fidelity-Preserving Quantum Encoding)フレームワークを提案する。 FPQEは畳み込みエンコーダデコーダを用いて、元のデータを高い忠実度で再構成できるコンパクトなマルチチャネル表現を学習する。 実験結果から、FPQEはMNISTのような単純なデータセットの従来の手法と互換性があり、PCAを上回り、Cifar-10では最大10.2\%の精度でプルーニングベースの符号化を行う。 FPQEは様々な視覚領域にまたがって高いレベルの構造情報を保存できる能力を示している。 FPQEは古典から量子変換の間の忠実さを維持することにより、高品質な量子表現学習のためのスケーラブルでハードウェア効率の良い基盤を確立する。

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)
• A Qubit-Efficient Hybrid Quantum Encoding Mechanism for Quantum Machine Learning [11.861417859173859]
  量子主測地解析(Quantum principal Geodesic Analysis, QPGA)は、次元の減少と量子ビット効率の符号化のための非可逆的手法である。 我々は、qPGAは量子およびハイブリッドオートエンコーダよりも局所構造を効率的に保存することを示した。 下流のQML分類タスクでは、qPGAは99%以上の精度を達成でき、MNISTとFashion-MNISTのF1スコアは量子依存ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-24T03:09:16Z)
• 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 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)
• Tensor-Based Binary Graph Encoding for Variational Quantum Classifiers [3.5051814539447474]
  変分量子(VQC)を用いたグラフ分類のための新しい量子符号化フレームワークを提案する。 グラフ符号化に適したより複雑な回路を構築することにより、VQCが現在の量子ハードウェアの制約内でグラフを効果的に分類できることを実証する。
  論文  参考訳（メタデータ） (2025-01-24T02:26:21Z)
• Quantum Sparse Coding and Decoding Based on Quantum Network [1.0683439960798695]
  スパース符号化と復号化アルゴリズムを実現するための対称量子ニューラルネットワークを提案する。 我々のネットワークは、光回路に自然に適合する多層2レベルユニタリ変換で構成されている。 我々は、古典的問題におけるバイナリとグレースケールの画像の疎符号化と復号化を実現し、量子問題における複雑な量子状態の復号化を実現した。
  論文  参考訳（メタデータ） (2024-06-10T04:21:27Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。