論文の概要: Quantum Machine Learning for Climate Modelling

• arxiv url: http://arxiv.org/abs/2512.14208v1
• Date: Tue, 16 Dec 2025 09:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.647819
• Title: Quantum Machine Learning for Climate Modelling
• Title（参考訳）: 気候モデリングのための量子機械学習
• Authors: Mierk Schwabe, Lorenzo Pastori, Valentina Sarandrea, Veronika Eyring,
• Abstract要約: 本研究では、量子ニューラルネット(QNN)を用いて、地球系モデル(ESM)のための雲被覆のパラメータ化を開発する。 提案手法により,QNN は従来の NN と同等数の自由パラメータを持つ古典的 NN に類似した性能で雲の被覆を予測できることを示す。
• 参考スコア（独自算出の注目度）: 0.05117223729072082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) is making rapid progress, and QML-based models hold the promise of quantum advantages such as potentially higher expressivity and generalizability than their classical counterparts. Here, we present work on using a quantum neural net (QNN) to develop a parameterization of cloud cover for an Earth system model (ESM). ESMs are needed for predicting and projecting climate change, and can be improved in hybrid models incorporating both traditional physics-based components as well as machine learning (ML) models. We show that a QNN can predict cloud cover with a performance similar to a classical NN with the same number of free parameters and significantly better than the traditional scheme. We also analyse the learning capability of the QNN in comparison to the classical NN and show that, at least for our example, QNNs learn more consistent relationships than classical NNs.
• Abstract（参考訳）: 量子機械学習(QML)は急速に進歩しており、QMLベースのモデルは、古典的なモデルよりも潜在的に高い表現性や一般化可能性といった量子アドバンテージを約束している。 本稿では、量子ニューラルネット(QNN)を用いて、地球系モデル(ESM)のための雲被覆のパラメータ化を開発する。 ESMは気候変動を予測および予測するために必要であり、従来の物理ベースのコンポーネントと機械学習(ML)モデルの両方を取り入れたハイブリッドモデルで改善することができる。 提案手法により,QNN は従来の NN と同等数の自由パラメータを持つ古典的 NN に類似した性能で雲の被覆を予測できることを示す。 また、従来のNNと比較してQNNの学習能力を分析し、少なくとも私たちの例では、QNNは従来のNNよりも一貫性のある関係を学習していることを示す。

関連論文リスト

• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• Comparative Analysis of QNN Architectures for Wind Power Prediction: Feature Maps and Ansatz Configurations [0.0]
  量子機械学習(QML)は、絡み合いや重畳といった量子力学の原理を活用することで、古典的な機械学習手法を強化することを目的としている。 この研究は、量子ニューラルネットワーク(QNN)にヒントを得た人工知能ニューラルネットワーク(ANN)を広範囲に評価する。 本稿では,QNNが予測タスクにおける古典的手法よりも優れており,実世界のアプリケーションにおけるQMLの可能性を示している。
  論文  参考訳（メタデータ） (2025-05-31T19:17:53Z)
• Training Classical Neural Networks by Quantum Machine Learning [9.002305736350833]
  本研究では、量子系の指数的に大きなヒルベルト空間を利用する古典的ニューラルネットワーク(NN)のトレーニングスキームを提案する。 既存の量子機械学習(QML)法とは異なり、我々の手法を用いた量子コンピュータから得られた結果は、古典的なコンピュータで直接利用できる。
  論文  参考訳（メタデータ） (2024-02-26T10:16:21Z)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,古典的畳み込みニューラルネットワーク(CNN)から量子ニューラルネットワーク(QNN)へ知識を伝達するための新しい枠組みを提案する。 我々は、MNIST, Fashion MNIST, CIFAR10データセット上の4および8キュービットを持つ2つのパラメタライズド量子回路(PQC)を用いて、広範な実験を行う。 我々の結果は、古典的なディープラーニングと新しい量子コンピューティングをブリッジし、量子マシンインテリジェンスにおいてより強力でリソースを意識したモデルを構築するための、有望なパラダイムを確立します。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Classical-to-quantum convolutional neural network transfer learning [1.9336815376402723]
  量子畳み込みニューラルネットワーク(QCNN)を用いた機械学習は、量子データ分類と古典データ分類の両方で成功している。 ノイズの多い中規模量子時代に小さなQCNNを利用するための効果的な方法として転送学習を提案する。
  論文  参考訳（メタデータ） (2022-08-31T09:15:37Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• 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)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。