Fugu-MT 論文翻訳(概要): Neural Architecture Search for Quantum Autoencoders

論文の概要: Neural Architecture Search for Quantum Autoencoders

arxiv url: http://arxiv.org/abs/2511.19246v1
Date: Mon, 24 Nov 2025 15:55:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-25 18:34:25.291232
Title: Neural Architecture Search for Quantum Autoencoders
Title（参考訳）: 量子オートエンコーダのニューラルネットワーク探索
Authors: Hibah Agha, Samuel Yen-Chi Chen, Huan-Hsin Tseng, Shinjae Yoo,
Abstract要約: 本稿では,量子オートエンコーダの設計を自動化するニューラルネットワーク探索(NAS)フレームワークを提案する。変分量子回路(VQC)の構成を体系的に進化させることにより,本手法はハイパフォーマンスなハイブリッド量子古典型オートエンコーダの同定を試みる。
参考スコア（独自算出の注目度）: 30.784540105806784
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, machine learning and deep learning have driven advances in domains such as image classification, speech recognition, and anomaly detection by leveraging multi-layer neural networks to model complex data. Simultaneously, quantum computing (QC) promises to address classically intractable problems via quantum parallelism, motivating research in quantum machine learning (QML). Among QML techniques, quantum autoencoders show promise for compressing high-dimensional quantum and classical data. However, designing effective quantum circuit architectures for quantum autoencoders remains challenging due to the complexity of selecting gates, arranging circuit layers, and tuning parameters. This paper proposes a neural architecture search (NAS) framework that automates the design of quantum autoencoders using a genetic algorithm (GA). By systematically evolving variational quantum circuit (VQC) configurations, our method seeks to identify high-performing hybrid quantum-classical autoencoders for data reconstruction without becoming trapped in local minima. We demonstrate effectiveness on image datasets, highlighting the potential of quantum autoencoders for efficient feature extraction within a noise-prone, near-term quantum era. Our approach lays a foundation for broader application of genetic algorithms to quantum architecture search, aiming for a robust, automated method that can adapt to varied data and hardware constraints.
Abstract（参考訳）: 近年,画像分類や音声認識,異常検出など,複雑なデータモデリングに多層ニューラルネットワークを活用することで,機械学習やディープラーニングが進歩している。同時に、量子コンピューティング(QC)は量子並列性を通じて古典的に難解な問題に対処し、量子機械学習(QML)の研究を動機付けることを約束している。 QML技術の中で、量子オートエンコーダは高次元の量子および古典的なデータを圧縮することを約束している。しかしながら、量子オートエンコーダの効率的な量子回路アーキテクチャの設計は、ゲートの選択、回路層の配置、チューニングパラメータの複雑化により、依然として困難である。本稿では,遺伝的アルゴリズム(GA)を用いた量子オートエンコーダの設計を自動化するニューラルネットワーク探索(NAS)フレームワークを提案する。変動量子回路(VQC)の構成を体系的に進化させることにより,局所的なミニマに閉じ込められることなく,データ再構成のためのハイパフォーマンスなハイブリッド量子古典型オートエンコーダを同定する。本稿では,画像データセットの有効性を実証し,ノイズが発生し,短期的な量子時代において,効率的な特徴抽出のための量子オートエンコーダの可能性を強調した。我々のアプローチは、さまざまなデータやハードウェアの制約に適応できる堅牢で自動化された手法を目指して、遺伝的アルゴリズムの量子アーキテクチャ探索への広範な応用の基礎を築いた。

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)
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)
Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。微分可能最適化を用いた自動解法を提案する。
論文参考訳（メタデータ） (2025-05-13T19:01:08Z)
Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
論文参考訳（メタデータ） (2025-04-29T14:10:10Z)
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)
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)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
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)

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。