論文の概要: Quantum Neural Network Training and Inference with Low Resolution Control Electronics

• arxiv url: http://arxiv.org/abs/2601.04983v1
• Date: Thu, 08 Jan 2026 14:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.237153
• Title: Quantum Neural Network Training and Inference with Low Resolution Control Electronics
• Title（参考訳）: 低分解能制御電子回路を用いた量子ニューラルネットワークのトレーニングと推論
• Authors: Rupayan Bhattacharjee, Sergi Abadal, Carmen G. Almudever, Eduard Alarcon,
• Abstract要約: 量子コンピュータをスケールするには、低温制御エレクトロニクスと量子プロセッサを密に統合する必要がある。 有限DAC解像度制約下で量子ニューラルネットワーク(QNN)のトレーニングと推論について検討する。
• 参考スコア（独自算出の注目度）: 1.547776016376554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling quantum computers requires tight integration of cryogenic control electronics with quantum processors, where Digital-to-Analog Converters (DACs) face severe power and area constraints. We investigate quantum neural network (QNN) training and inference under finite DAC resolution constraints across various DAC resolutions. Pre-trained QNNs achieve accuracy nearly indistinguishable from infinite-precision baselines when deployed on quantum systems with 6-bit DAC control electronics, exhibiting an elbow curve with diminishing returns beyond 4 bits. However, training under quantization reveals gradient deadlock below 12-bit resolution as gradient magnitudes fall below quantization step sizes. We introduce temperature-controlled stochasticity that overcomes this through probabilistic parameter updates, enabling successful training at 4-10 bit resolutions that remarkably matches or exceeds infinite-precision baseline performance. Our findings demonstrate that low-resolution control electronics need not compromise QML performance, enabling significant power and area reduction in cryogenic control systems for practical deployment as quantum hardware scales.
• Abstract（参考訳）: 量子コンピュータをスケールするには、極低温制御エレクトロニクスと量子プロセッサを密に統合する必要がある。 量子ニューラルネットワーク(QNN)のトレーニングと,様々なDAC解像度に対する有限DAC解像度制約下での推論について検討する。 事前訓練されたQNNは、6ビットDAC制御エレクトロニクスを持つ量子システムに展開する際、無限精度のベースラインとほぼ区別できない精度を実現し、4ビットを超えるリターンを減少させるエルボー曲線を示す。 しかし、量子化下でのトレーニングでは、勾配の大きさが量子化ステップサイズ以下になるため、12ビット解像度以下の勾配デッドロックが明らかになる。 確率的パラメータ更新によってこれを克服する温度制御確率を導入し、無限精度のベースライン性能を著しく上回る4-10ビット解像度でのトレーニングを成功させる。 本研究は,QML性能を損なうことなく,量子ハードウェアスケールとして実用化するための低温制御システムにおいて,電力と面積の大幅な削減を可能にすることの証明である。

関連論文リスト

• Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
  本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。 QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2026-01-06T09:58:14Z)
• Physics-Informed Neural Networks with Adaptive Constraints for Multi-Qubit Quantum Tomography [4.568264237802171]
  量子状態トモグラフィ(QST)は、マルチキュービットシステムにおいて指数的な測定要件とノイズ感度に直面する。 本稿では、量子力学的制約を統合する物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 PINNは、2--5量子ビットシステムや任意の次元状態において、従来のニューラルネットワーク(TNN)よりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-12-16T16:18:23Z)
• TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architecture search [2.345518191053745]
  変分量子アルゴリズムは、ノイズの多い中間スケール量子ハードウェア上で既に有意義な量子問題に対処する約束を持っている。 量子アーキテクチャサーチ(QAS)は、量子回路の設計プロセスを自動化する。 有望なアプローチとして出現する強化学習(RL)。 $textitTensorRL-QAS$は、ネットワークメソッドとRLを組み合わせた改善されたフレームワークである。
  論文  参考訳（メタデータ） (2025-05-14T13:23:34Z)
• Gradient-based Automatic Mixed Precision Quantization for Neural Networks On-Chip [0.9187138676564589]
  本稿では,革新的な量子化学習手法である高粒度量子化(HGQ)を提案する。 HGQは、勾配降下によって最適化できるようにすることで、重量当たりおよび活動当たりの精度を微調整する。 このアプローチは、演算演算が可能なハードウェア上で、超低レイテンシと低電力ニューラルネットワークを実現する。
  論文  参考訳（メタデータ） (2024-05-01T17:18:46Z)
• 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)
• Fast Flux-Activated Leakage Reduction for Superconducting Quantum Circuits [84.60542868688235]
  量子ビット実装のマルチレベル構造から生じる計算部分空間から漏れること。 パラメトリックフラックス変調を用いた超伝導量子ビットの資源効率向上のためのユニバーサルリーク低減ユニットを提案する。 繰り返し重み付け安定化器測定におけるリーク低減ユニットの使用により,検出されたエラーの総数を,スケーラブルな方法で削減できることを実証した。
  論文  参考訳（メタデータ） (2023-09-13T16:21:32Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• DAQ: Distribution-Aware Quantization for Deep Image Super-Resolution Networks [49.191062785007006]
  画像超解像のための深い畳み込みニューラルネットワークの定量化は、計算コストを大幅に削減する。 既存の作業は、4ビット以下の超低精度の厳しい性能低下に苦しむか、または性能を回復するために重い微調整プロセスを必要とします。 高精度なトレーニングフリー量子化を実現する新しい分散認識量子化方式(DAQ)を提案する。
  論文  参考訳（メタデータ） (2020-12-21T10:19:42Z)
• A Statistical Framework for Low-bitwidth Training of Deep Neural Networks [70.77754244060384]
  フル量子化トレーニング(FQT)は、ニューラルネットワークモデルのアクティベーション、重み、勾配を定量化することで、低ビット幅のハードウェアを使用する。 FQTの最大の課題は、特に勾配量子化が収束特性にどのように影響するかという理論的な理解の欠如である。
  論文  参考訳（メタデータ） (2020-10-27T13:57:33Z)

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。