Fugu-MT 論文翻訳(概要): Domain-Aware Quantum Circuit for QML

論文の概要: Domain-Aware Quantum Circuit for QML

arxiv url: http://arxiv.org/abs/2512.17800v1
Date: Fri, 19 Dec 2025 17:02:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-22 19:25:54.507319
Title: Domain-Aware Quantum Circuit for QML
Title（参考訳）: QML用ドメイン対応量子回路
Authors: Gurinder Singh, Thaddeus Pellegrini, Kenneth M. Merz,,
Abstract要約: 本稿では,局所性保存符号化と絡み合いを導出するために,画像先行情報を利用したドメイン対応量子回路(DAQC)を提案する。設計ではインターリーブされたエンコード-トレインサイクルを採用しており、隣接するピクセルをホストするキュービット間で絡み合いがデバイス接続に合わせて適用される。 MNIST, FashionMentangle, PneumoniaMNISTデータセット上でDAQCを評価する。
参考スコア（独自算出の注目度）: 0.7999703756441755
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Designing parameterized quantum circuits (PQCs) that are expressive, trainable, and robust to hardware noise is a central challenge for quantum machine learning (QML) on noisy intermediate-scale quantum (NISQ) devices. We present a Domain-Aware Quantum Circuit (DAQC) that leverages image priors to guide locality-preserving encoding and entanglement via non-overlapping DCT-style zigzag windows. The design employs interleaved encode-entangle-train cycles, where entanglement is applied among qubits hosting neighboring pixels, aligned to device connectivity. This staged, locality-preserving information flow expands the effective receptive field without deep global mixing, enabling efficient use of limited depth and qubits. The design concentrates representational capacity on short-range correlations, reduces long-range two-qubit operations, and encourages stable optimization, thereby mitigating depth-induced and globally entangled barren-plateau effects. We evaluate DAQC on MNIST, FashionMNIST, and PneumoniaMNIST datasets. On quantum hardware, DAQC achieves performance competitive with strong classical baselines (e.g., ResNet-18/50, DenseNet-121, EfficientNet-B0) and substantially outperforming Quantum Circuit Search (QCS) baselines. To the best of our knowledge, DAQC, which uses a quantum feature extractor with only a linear classical readout (no deep classical backbone), currently achieves the best reported performance on real quantum hardware for QML-based image classification tasks. Code and pretrained models are available at: https://github.com/gurinder-hub/DAQC.
Abstract（参考訳）: パラメータ化量子回路(PQC)の設計は、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(QML)の中心的な課題である。本稿では,DCTスタイルのジグザグウィンドウによる局所性保存エンコーディングと絡み合いのガイドとして,画像先行情報を利用したドメイン認識量子回路(DAQC)を提案する。設計にはインターリーブされたエンコード-アンタングル-トレインサイクルが採用されており、隣接するピクセルをホストするキュービット間で絡み合いがデバイス接続に合わせて適用される。この段階的な局所保存情報フローは、深い大域混合を伴わずに効果的な受容場を拡大し、限られた深さと量子ビットの効率的な利用を可能にする。この設計は、短距離相関に集中し、長距離2量子ビット演算を減らし、安定な最適化を奨励し、これにより、深さ誘起および大域的絡み合ったバレンプラトー効果を緩和する。 MNIST, FashionMNIST, PneumoniaMNISTデータセット上でDAQCを評価する。量子ハードウェア上では、DAQCは強力な古典的ベースライン(ResNet-18/50、DenseNet-121、EfficientNet-B0)と競合し、量子サーキットサーチ(QCS)ベースラインを大幅に上回っている。我々の知る限り、DAQCは線形古典的読み出しのみを持つ量子特徴抽出器を使用しており(深い古典的バックボーンを持たない)、現在QMLに基づく画像分類タスクにおいて、実際の量子ハードウェア上で最高の性能を達成している。コードと事前訓練されたモデルは、https://github.com/gurinder-hub/DAQC.comで入手できる。

関連論文リスト

Vectorized Attention with Learnable Encoding for Quantum Transformer [0.6766416093990318]
本稿では,理想のマスキング行列計算をサポートするVQT(Vectorized Quantum Transformer)を提案する。我々のノイズ中間スケール量子フレンドリなVQTアプローチは、量子コンピューティングにおけるエンドツーエンド機械学習の新しいアーキテクチャを解き放ちます。
論文参考訳（メタデータ） (2025-08-25T20:33:14Z)
A Qubit-Efficient Hybrid Quantum Encoding Mechanism for Quantum Machine Learning [11.861417859173859]
量子主測地解析(Quantum principal Geodesic Analysis, QPGA)は、次元の減少と量子ビット効率の符号化のための非可逆的手法である。我々は、qPGAは量子およびハイブリッドオートエンコーダよりも局所構造を効率的に保存することを示した。下流のQML分類タスクでは、qPGAは99%以上の精度を達成でき、MNISTとFashion-MNISTのF1スコアは量子依存ベースラインを上回っている。
論文参考訳（メタデータ） (2025-06-24T03:09:16Z)
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)
HQCC: A Hybrid Quantum-Classical Classifier with Adaptive Structure [7.836610894905161]
量子機械学習(QML)を進化させるハイブリッド量子古典(HQCC)を提案する。 HQCCはLong ShortTerm Memory (LSTM)駆動の動的回路生成器を通じて量子回路(PQC)を適応的に最適化する。我々はMNISTとFashion MNISTのデータセットでシミュレーションを行い、97.12%の精度を達成した。
論文参考訳（メタデータ） (2025-04-02T22:49:00Z)
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)
Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文参考訳（メタデータ） (2022-08-29T15:24:03Z)
Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文参考訳（メタデータ） (2020-10-20T12:06:27Z)
Supervised Learning Using a Dressed Quantum Network with "Super Compressed Encoding": Algorithm and Quantum-Hardware-Based Implementation [7.599675376503671]
ノイズのある中間量子(NISQ)デバイス上での変分量子機械学習(QML)アルゴリズムの実装には、必要となるキュービット数とマルチキュービットゲートに関連するノイズに関連する問題がある。本稿では,これらの問題に対処するための量子ネットワークを用いた変分QMLアルゴリズムを提案する。他の多くのQMLアルゴリズムとは異なり、我々の量子回路は単一量子ビットゲートのみで構成されており、ノイズに対して堅牢である。
論文参考訳（メタデータ） (2020-07-20T16:29:32Z)

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。