論文の概要: Quanvolutional Neural Networks for Spectrum Peak-Finding

• arxiv url: http://arxiv.org/abs/2512.13125v1
• Date: Mon, 15 Dec 2025 09:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.604445
• Title: Quanvolutional Neural Networks for Spectrum Peak-Finding
• Title（参考訳）: スペクトルピークフィンディングのための準進化型ニューラルネットワーク
• Authors: Lukas Bischof, Rudolf M. Füchslin, Kurt Stockinger, Pavel Sulimov,
• Abstract要約: この研究は、マルチタスクピーク探索問題に対する古典的畳み込みニューラルネットワーク(CNN)の成功に触発されている。 我々は,従来のCNNアーキテクチャと直接比較可能な,シンプルで解釈可能なQuanvNNアーキテクチャを実装した。 以上の結果から,QuanvNNは従来のCNNよりも11%のF1スコア向上,30%の絶対誤差低減を実現し,ピーク位置推定を行った。
• 参考スコア（独自算出の注目度）: 1.5577200925737975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The analysis of spectra, such as Nuclear Magnetic Resonance (NMR) spectra, for the comprehensive characterization of peaks is a challenging task for both experts and machines, especially with complex molecules. This process, also known as deconvolution, involves identifying and quantifying the peaks in the spectrum. Machine learning techniques have shown promising results in automating this process. With the advent of quantum computing, there is potential to further enhance these techniques. In this work, inspired by the success of classical Convolutional Neural Networks (CNNs), we explore the use of Quanvolutional Neural Networks (QuanvNNs) for the multi-task peak finding problem, involving both peak counting and position estimation. We implement a simple and interpretable QuanvNN architecture that can be directly compared to its classical CNN counterpart, and evaluate its performance on a synthetic NMR-inspired dataset. Our results demonstrate that QuanvNNs outperform classical CNNs on challenging spectra, achieving an 11\% improvement in F1 score and a 30\% reduction in mean absolute error for peak position estimation. Additionally, QuanvNNs appear to exhibit better convergence stability for harder problems.
• Abstract（参考訳）: ピークの包括的評価のための核磁気共鳴(NMR)スペクトルのようなスペクトルの分析は、専門家と機械、特に複雑な分子の双方にとって難しい課題である。 この過程はデコンボリューション(deconvolution)としても知られ、スペクトルのピークを特定し定量化する。 機械学習技術は、このプロセスを自動化する上で有望な結果を示している。 量子コンピューティングの出現により、これらの技術をさらに強化する可能性がある。 この研究は、古典的畳み込みニューラルネットワーク(CNN)の成功に触発され、ピークカウントと位置推定の両方を含むマルチタスクピーク発見問題に準畳み込みニューラルネットワーク(QuanvNN)の使用について検討する。 我々は,従来のCNNアーキテクチャと直接比較可能な,シンプルで解釈可能なQuanvNNアーキテクチャを実装し,その性能を合成NMRにインスパイアされたデータセット上で評価する。 以上の結果から,QuanvNNは従来のCNNよりもF1スコアが11倍向上し,平均絶対誤差が30倍減少し,ピーク位置推定が可能であった。 さらに、QuanvNNはより難しい問題に対してより良い収束安定性を示すように見える。

関連論文リスト

• Quanvolutional Neural Networks for Pneumonia Detection: An Efficient Quantum-Assisted Feature Extraction Paradigm [0.0]
  肺炎は、正確でタイムリーな診断を必要とする、重要な世界的な健康問題を引き起こす。 深層学習、特に畳み込みニューラルネットワーク(CNN)は、肺炎検出のための医療画像解析において有望であることを示している。 CNNは高い計算コスト、特徴表現の制限、より小さなデータセットから一般化する際の課題に悩まされることが多い。 本稿では,肺炎検出のためのPneumoniaMNISTデータセットを用いた新しいハイブリッド量子古典モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-26T08:01:34Z)
• Benchmarking Quantum Convolutional Neural Networks for Signal Classification in Simulated Gamma-Ray Burst Detection [29.259008600842517]
  本研究は,ガンマ線バースト(GRB)に似た信号の同定に量子畳み込みニューラルネットワーク(QCNN)を用いたことを評価する。 量子シミュレータでトレーニングしたQCNNを用いて,Qiskitフレームワークを用いたハイブリッド量子古典機械学習手法を実装した。 QCNNは時系列データセット上で堅牢な性能を示し,高い精度でGRB信号の検出に成功した。
  論文  参考訳（メタデータ） (2025-01-28T16:07:12Z)
• GINN-KAN: Interpretability pipelining with applications in Physics Informed Neural Networks [5.2969467015867915]
  本稿では,解釈可能性パイプラインの概念を導入し,複数の解釈可能性技術を導入し,各手法の精度を向上する。 我々は、標準的なニューラルネットワークアーキテクチャに解釈可能性を導入する可能性のために選択された2つの最近のモデルを評価する。 両モデルの利点を合成する新しい解釈可能なニューラルネットワークGINN-KANを提案する。
  論文  参考訳（メタデータ） (2024-08-27T04:57:53Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Spectral Complexity-scaled Generalization Bound of Complex-valued Neural Networks [78.64167379726163]
  本論文は,複素数値ニューラルネットワークの一般化を証明した最初の論文である。 複雑な値の畳み込みニューラルネットワークを異なるデータセット上でトレーニングして実験を行う。
  論文  参考訳（メタデータ） (2021-12-07T03:25:25Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• Absence of Barren Plateaus in Quantum Convolutional Neural Networks [0.0]
  量子畳み込みニューラルネットワーク(QCNN)が提案されている。 我々はQCNNアーキテクチャのパラメータの勾配スケーリングを厳格に分析する。
  論文  参考訳（メタデータ） (2020-11-05T16:46:13Z)

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。