論文の概要: Photonic Quantum-Accelerated Machine Learning

• arxiv url: http://arxiv.org/abs/2512.08318v1
• Date: Tue, 09 Dec 2025 07:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.859687
• Title: Photonic Quantum-Accelerated Machine Learning
• Title（参考訳）: フォトニック量子加速機械学習
• Authors: Markus Rambach, Abhishek Roy, Alexei Gilchrist, Akitada Sakurai, William J. Munro, Kae Nemoto, Andrew G. White,
• Abstract要約: 古典的機械学習のための量子加速器を提案する。 我々はボソンサンプリングを用いて貯水池計算のための高次元量子指紋を提供する。 各種条件下での堅牢な性能向上を示す。
• 参考スコア（独自算出の注目度）: 0.6654914040895585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is widely applied in modern society, but has yet to capitalise on the unique benefits offered by quantum resources. Boson sampling -- a quantum-interference based sampling protocol -- is a resource that is classically hard to simulate and can be implemented on current quantum hardware. Here, we present a quantum accelerator for classical machine learning, using boson sampling to provide a high-dimensional quantum fingerprint for reservoir computing. We show robust performance improvements under various conditions: imperfect photon sources down to complete distinguishability; scenarios with severe class imbalances, classifying both handwritten digits and biomedical images; and sparse data, maintaining model accuracy with twenty times less training data. Crucially, we demonstrate the acceleration and scalability of our scheme on a photonic quantum processing unit, providing the first experimental validation that boson-sampling-enhanced learning delivers real performance gains on actual quantum hardware.
• Abstract（参考訳）: 機械学習は現代の社会に広く適用されているが、量子資源によって提供されるユニークな利点を生かしてはいない。 量子干渉に基づくサンプリングプロトコルであるBoson sampleは、古典的にはシミュレートが困難で、現在の量子ハードウェアで実装できるリソースである。 本稿では、ボソンサンプリングを用いて古典機械学習のための量子加速器を提案し、貯水池計算のための高次元量子指紋を提供する。 我々は,不完全な光子源の完全識別性,厳密なクラス不均衡のシナリオ,手書き桁と生体画像の両方の分類,スパースデータ,モデルの精度を20倍のトレーニングデータで維持するなど,様々な条件下での堅牢な性能向上を示す。 重要なことは、フォトニック量子処理ユニット上での我々のスキームの加速とスケーラビリティを実証し、ボソンサンプリング強化学習が実際の量子ハードウェアに実際のパフォーマンスをもたらす最初の実験的な検証を提供する。

関連論文リスト

• Hybrid Boson Sampling-Neural Network Architecture for Enhanced Classification [0.0]
  我々は、ボソンサンプリングの計算能力とニューラルネットワークの適応性を組み合わせて量子カーネルを構築するフレームワークを開発する。 様々なクラスを持つ4つのデータセットを用いて、我々のモデルは古典線形およびシグモイドカーネルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-15T09:16:38Z)
• Noise-Resilient Quantum Metrology with Quantum Computing [10.243775711846629]
  本稿では,古典的データエンコーディングから量子データの直接処理へ焦点を移す方法を提案する。 本研究では,量子力学から取得した情報を量子コンピュータが最適化する実験可能な手法を開発した。 本手法は,推定値の精度を向上し,量子フィッシャー情報によって定量化されるように感度を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-08-31T09:53:38Z)
• Digital quantum simulation of many-body systems: Making the most of intermediate-scale, noisy quantum computers [51.56484100374058]
  この論文は量子デバイス上の量子力学をシミュレートすることを中心にしている。 本稿では,量子力学における最も関連性の高い量子アルゴリズムの概要を紹介する。 近い将来に量子シミュレーションの恩恵を受けることができる量子力学における関連する問題を同定する。
  論文  参考訳（メタデータ） (2025-08-29T10:37:19Z)
• Quantum machine learning with Adaptive Boson Sampling via post-selection [0.42110855444787276]
  本稿では,Boson Smplingプラットフォームにポストセレクションによる適応性を加えることで,量子機械学習プロトコルの実験的実装について報告する。 実験結果から,適応ボソンサンプリングは次元強化量子機械学習への有効な経路であることが示された。
  論文  参考訳（メタデータ） (2025-02-27T17:32:05Z)
• Quantum learning advantage on a scalable photonic platform [5.788945534225034]
  物理システムの学習における量子的優位性は 未解決のフロンティアのままです 本稿では、ボゾン変位過程の確率分布を学習するための量子拡張プロトコルのフォトニック実装を提案する。 この結果から,非理想的,雑音的絡み合いであっても,連続変数量子系において有意な量子優位性を実現することができることが示された。
  論文  参考訳（メタデータ） (2025-02-11T18:52:43Z)
• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。