論文の概要: A Comparative Study of Encoding Strategies for Quantum Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2512.12512v1
- Date: Sun, 14 Dec 2025 01:31:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.293472
- Title: A Comparative Study of Encoding Strategies for Quantum Convolutional Neural Networks
- Title（参考訳）: 量子畳み込みニューラルネットワークにおける符号化方式の比較検討
- Authors: Xingyun Feng,
- Abstract要約: 量子畳み込みニューラルネットワーク(QCNN)は、短期量子機械学習のための有望なアーキテクチャを提供する。
しかし、古典的なデータを扱うQCNNは、入力を量子状態に埋め込むエンコーディングスキームに頼らなければならない。
この研究は、アングル、振幅、ハイブリッド位相/角度スキームの3つの代表符号化の実装レベル比較を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum convolutional neural networks (QCNNs) offer a promising architecture for near-term quantum machine learning by combining hierarchical feature extraction with modest parameter growth. However, any QCNN operating on classical data must rely on an encoding scheme to embed inputs into quantum states, and this choice can dominate both performance and resource requirements. This work presents an implementation-level comparison of three representative encodings -- Angle, Amplitude, and a Hybrid phase/angle scheme -- for QCNNs under depolarizing noise. We develop a fully differentiable PyTorch--Qiskit pipeline with a custom autograd bridge, batched parameter-shift gradients, and shot scheduling, and use it to train QCNNs on downsampled binary variants of MNIST and Fashion-MNIST at $4\times 4$ and $8\times 8$ resolutions. Our experiments reveal regime-dependent trade-offs. On aggressively downsampled $4\times 4$ inputs, Angle encoding attains higher accuracy and remains comparatively robust as noise increases, while the Hybrid encoder trails and exhibits non-monotonic trends. At $8\times 8$, the Hybrid scheme can overtake Angle under moderate noise, suggesting that mixed phase/angle encoders benefit from additional feature bandwidth. Amplitude-encoded QCNNs are sparsely represented in the downsampled grids but achieve strong performance in lightweight and full-resolution configurations, where training dynamics closely resemble classical convergence. Taken together, these results provide practical guidance for choosing QCNN encoders under joint constraints of resolution, noise strength, and simulation budget.
- Abstract（参考訳）: 量子畳み込みニューラルネットワーク(QCNN)は、階層的特徴抽出と控えめなパラメータ成長を組み合わせることで、短期的な量子機械学習のための有望なアーキテクチャを提供する。
しかしながら、古典的なデータを扱うQCNNは、入力を量子状態に埋め込むエンコーディングスキームに頼る必要があり、この選択はパフォーマンスとリソースの要求の両方を支配できる。
本研究は,非偏極雑音下でのQCNNに対する3つの代表符号化(アングル,振幅,ハイブリッド位相/角度スキーム)の実装レベル比較を示す。
我々は、カスタムオートグレードブリッジ、バッチパラメータシフト勾配、ショットスケジューリングを備えた完全微分可能なPyTorch--Qiskitパイプラインを開発し、それを、MNISTとFashion-MNISTのサンプル化されたバイナリバリアントのQCNNを4\times 4$と8\times 8$の解像度でトレーニングするために使用する。
我々の実験は政権に依存したトレードオフを明らかにする。
4\times 4$入力のアグレッシブなダウンサンプリングでは、Angleエンコーディングは精度が高く、ノイズの増加とともに比較的堅牢であり、一方Hybridエンコーダは非モノトニックなトレンドを追及する。
8\times 8$で、Hybridスキームはアングルを中程度のノイズで追い抜くことができ、混合位相/角度エンコーダは追加のフィーチャ帯域幅の恩恵を受けることを示唆している。
振幅エンコードされたQCNNは、ダウンサンプルグリッドでわずかに表現されるが、軽量でフル解像度な構成で、トレーニングダイナミクスは古典的な収束とよく似ている。
これらの結果は,分解能,雑音強度,シミュレーション予算の制約の下でQCNNエンコーダを選択するための実用的なガイダンスを提供する。
関連論文リスト
- Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。
この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
論文 参考訳（メタデータ） (2025-11-29T17:47:14Z) - S$^2$NN: Sub-bit Spiking Neural Networks [53.08060832135342]
スパイキングニューラルネットワーク(SNN)は、マシンインテリジェンスにエネルギー効率のよいパラダイムを提供する。
最近のバイナリSNNの進歩にもかかわらず、大規模ネットワークではストレージと計算の要求が相当に大きい。
1ビット未満の重みを表すサブビットスパイキングニューラルネットワーク(S$2$NNs)を提案する。
論文 参考訳（メタデータ） (2025-09-29T04:17:44Z) - Quantum Machine Learning for UAV Swarm Intrusion Detection [25.52804434998647]
UAV群における侵入検知は、高移動量、非定常交通、重度の階級不均衡によって複雑である。
量子カーネル、変分量子ニューラルネットワーク(QNN)、ハイブリッド量子学習ニューラルネットワーク(QT-NN)の3つのアプローチをベンチマークする。
すべてのモデルは8機能フロー表現を消費し、同じ前処理、バランス、ノイズモデル仮定の下で評価される。
量子カーネルとQT-NNは低データ、非線形なレジームで優れており、QNNはトレーニング容易性の問題に悩まされている。
論文 参考訳（メタデータ） (2025-09-01T22:36:30Z) - Improving Quantum Recurrent Neural Networks with Amplitude Encoding [0.0]
量子リカレントニューラルネットワークは、時間データを周期的に量子回路に入力される量子状態に符号化する。
最近導入された近似振幅符号化手法であるEnQodeを用いて振幅に基づくQRNNを評価し改善する。
論文 参考訳（メタデータ） (2025-08-22T20:31:40Z) - Genetic Transformer-Assisted Quantum Neural Networks for Optimal Circuit Design [3.6953740776904924]
我々はGTQNN(Genematic Transformer Assisted Quantum Neural Networks)を紹介する。
GTQNNは、トランスフォーマーエンコーダと浅い変動量子回路を組み合わせたハイブリッド学習フレームワークである。
4つのベンチマークの実験では、GTQNNは最先端の量子モデルの状態と一致するか超えている。
論文 参考訳（メタデータ） (2025-06-10T19:49:21Z) - Accurate Mapping of RNNs on Neuromorphic Hardware with Adaptive Spiking Neurons [2.9410174624086025]
我々は、SigmaDelta$-low-pass RNN(lpRNN)を、レートベースのRNNをスパイクニューラルネットワーク(SNN)にマッピングするために提示する。
適応スパイキングニューロンモデルは、$SigmaDelta$-modulationを使って信号を符号化し、正確なマッピングを可能にする。
我々は、Intelのニューロモルフィック研究チップLoihiにおけるlpRNNの実装を実演する。
論文 参考訳（メタデータ） (2024-07-18T14:06:07Z) - Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。
BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。
提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
論文 参考訳（メタデータ） (2023-10-23T17:32:38Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。
異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。
深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
論文 参考訳（メタデータ） (2021-06-24T12:23:05Z) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z)
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。