論文の概要: LiePrune: Lie Group and Quantum Geometric Dual Representation for One-Shot Structured Pruning of Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2512.09469v1
• Date: Wed, 10 Dec 2025 09:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.469129
• Title: LiePrune: Lie Group and Quantum Geometric Dual Representation for One-Shot Structured Pruning of Quantum Neural Networks
• Title（参考訳）: LiePrune: 量子ニューラルネットワークのワンショット構造解析のためのリー群と量子幾何学的双対表現
• Authors: Haijian Shao, Bowen Yang, Wei Liu, Xing Deng, Yingtao Jiang,
• Abstract要約: 量子ニューラルネットワーク(QNN)とパラメータ化量子回路(PQC)は、短期量子機械学習の鍵となる構成要素である。 我々はQNNのための最初の数学的基礎を持つワンショット構造化プルーニングフレームワークであるLiePruneを提案する。 LiePruneは、無視または改善されたタスクパフォーマンスで10ドル以上の圧縮を実現している。
• 参考スコア（独自算出の注目度）: 13.572704447252647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum neural networks (QNNs) and parameterized quantum circuits (PQCs) are key building blocks for near-term quantum machine learning. However, their scalability is constrained by excessive parameters, barren plateaus, and hardware limitations. We propose LiePrune, the first mathematically grounded one-shot structured pruning framework for QNNs that leverages Lie group structure and quantum geometric information. Each gate is jointly represented in a Lie group--Lie algebra dual space and a quantum geometric feature space, enabling principled redundancy detection and aggressive compression. Experiments on quantum classification (MNIST, FashionMNIST), quantum generative modeling (Bars-and-Stripes), and quantum chemistry (LiH VQE) show that LiePrune achieves over $10\times$ compression with negligible or even improved task performance, while providing provable guarantees on redundancy detection, functional approximation, and computational complexity.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)とパラメータ化量子回路(PQC)は、短期量子機械学習の鍵となる構成要素である。 しかし、そのスケーラビリティは過剰なパラメータ、不毛な高原、ハードウェアの制限によって制約されている。 我々は、リー群構造と量子幾何情報を利用するQNNのための最初の数学的基礎を持つワンショット構造化プルーニングフレームワークであるLiePruneを提案する。 各ゲートはリー群-リー代数双対空間と量子幾何学的特徴空間で共同で表現され、原理的冗長性検出とアグレッシブ圧縮を可能にする。 量子分類(MNIST、FashionMNIST)、量子生成モデリング(Bars-and-Stripes)、および量子化学(LiH VQE)の実験は、LiePruneが10ドル以上を達成し、冗長性検出、関数近似、および複雑性の証明可能な保証を提供するとともに、タスク性能も改善した。

関連論文リスト

• It's-A-Me, Quantum Mario: Scalable Quantum Reinforcement Learning with Multi-Chip Ensembles [29.944281778572876]
  量子強化学習(QRL)はヒルベルト空間にアクセスできるコンパクト関数近似器を約束する。 制約を克服するために,複数の小型量子畳み込みニューラルネットワーク(QCNN)を用いたマルチチップアンサンブルフレームワークを提案する。 我々のアプローチは、スーパーマリオブラザーズ環境からの複雑な高次元の観測を独立した量子回路で分割する。
  論文  参考訳（メタデータ） (2025-08-31T06:15:55Z)
• Quantum Convolutional Neural Network with Nonlinear Effects and Barren Plateau Mitigation [0.0]
  量子ニューラルネットワーク(QNN)は、量子エンタングルメントと重畳を利用して、大規模並列線形計算を可能にする。 しかし,本質的な非線形操作の欠如やバレンプラトー現象により,実用的展開が妨げられている。 両問題に同時に対処する量子ニューラル畳み込みネットワーク(QCNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-08-04T14:26:48Z)
• 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 complexity in gravity, quantum field theory, and quantum information science [0.0]
  複雑性のいくつかの定義とそれらの重要な性質について述べる。 量子多体系と量子場論(QFT)において、一元群上の測地学の観点からの複雑性の幾何学的定義について議論する。 また、簡単な量子系、量子多体モデル、および共形場理論(CFT)を含むQFTへの応用について概説する。
  論文  参考訳（メタデータ） (2025-03-13T18:00:01Z)
• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum Signal Processing with the one-dimensional quantum Ising model [0.0]
  量子信号処理(QSP)は、量子システムの特性を操作および決定するための有望なフレームワークとして登場した。 我々は、時空双対量子回路や量子シミュレーションから量子制御まで、様々な分野における我々のアプローチの例と応用について述べる。
  論文  参考訳（メタデータ） (2023-09-08T18:01:37Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• 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)
• Realising and compressing quantum circuits with quantum reservoir computing [2.834895018689047]
  量子ノードのランダムネットワークが量子コンピューティングの堅牢なハードウェアとしてどのように使用できるかを示す。 我々のネットワークアーキテクチャは、量子ノードの単一層のみを最適化することで量子演算を誘導する。 数量子状態においては、量子回路内の複数の量子ゲートのシーケンスは単一の演算で圧縮することができる。
  論文  参考訳（メタデータ） (2020-03-21T03:29:16Z)

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。