論文の概要: Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing

• arxiv url: http://arxiv.org/abs/2601.06392v1
• Date: Sat, 10 Jan 2026 02:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.78933
• Title: Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing
• Title（参考訳）: テンソルトレイン符号化による連続量子アーキテクチャ探索:理論と信号処理への応用
• Authors: Jun Qi, Chao-Han Huck Yang, Pin-Yu Chen, Javier Tejedor, Ling Li, Min-Hsiu Hsieh,
• Abstract要約: CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
• 参考スコア（独自算出の注目度）: 68.35481158940401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce CL-QAS, a continual quantum architecture search framework that mitigates the challenges of costly amplitude encoding and catastrophic forgetting in variational quantum circuits. The method uses Tensor-Train encoding to efficiently compress high-dimensional stochastic signals into low-rank quantum feature representations. A bi-loop learning strategy separates circuit parameter optimization from architecture exploration, while an Elastic Weight Consolidation regularization ensures stability across sequential tasks. We derive theoretical upper bounds on approximation, generalization, and robustness under quantum noise, demonstrating that CL-QAS achieves controllable expressivity, sample-efficient generalization, and smooth convergence without barren plateaus. Empirical evaluations on electrocardiogram (ECG)-based signal classification and financial time-series forecasting confirm substantial improvements in accuracy, balanced accuracy, F1 score, and reward. CL-QAS maintains strong forward and backward transfer and exhibits bounded degradation under depolarizing and readout noise, highlighting its potential for adaptive, noise-resilient quantum learning on near-term devices.
• Abstract（参考訳）: CL-QASは、変動量子回路におけるコストのかかるエンコーディングと破滅的な忘れ込みの課題を緩和する連続量子アーキテクチャ探索フレームワークである。 テンソル・トレイン符号化を用いて、高次元確率信号を低ランクな量子特徴表現に効率よく圧縮する。 双方向学習戦略は、回路パラメータの最適化とアーキテクチャ探索を分離し、Elastic Weight Consolidation regularizationはシーケンシャルタスク間の安定性を保証する。 我々は,量子雑音下での近似,一般化,ロバスト性の理論上界を導出し,CL-QASが制御可能な表現性,サンプル効率の一般化,バレンプラトーのない滑らかな収束を実現することを示す。 心電図に基づく信号分類と金融時系列予測の実証評価により,精度,平衡精度,F1スコア,報酬の大幅な改善が確認された。 CL-QASは、強い転送と後方転送を維持し、非分極および読み出しノイズの下で境界劣化を示し、短期デバイスにおける適応的でノイズ耐性の量子学習の可能性を強調している。

関連論文リスト

• Quantum Reinforcement Learning-Guided Diffusion Model for Image Synthesis via Hybrid Quantum-Classical Generative Model Architectures [2.005299372367689]
  本稿では,各段階でCFGを動的に調整するQRL(quantum reinforcement learning)コントローラを提案する。 コントローラは、ハイブリッド量子-古典的アクター-批判的アーキテクチャを採用する。 CIFAR-10の実験は、QRLポリシーが知覚品質を改善することを示した。
  論文  参考訳（メタデータ） (2025-09-17T16:47:04Z)
• Cyclic Variational Quantum Eigensolver: Escaping Barren Plateaus through Staircase Descent [4.517663944296433]
  本稿では, 高精度な基底状態量子シミュレーションのためのハードウェア効率のよいフレームワークであるCVQEを紹介する。 CVQEは測定駆動フィードバックサイクルを組み込むことで従来のVQEから離脱する。 CVQEは, 相関系間の化学精度を一貫して維持し, 固定されたUCCSDを数桁の精度で上回り, 良好な精度とコストのトレードオフを実現することを示す。
  論文  参考訳（メタデータ） (2025-09-16T13:54:03Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• 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)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Q-fid: Quantum Circuit Fidelity Improvement with LSTM Networks [0.6062751776009752]
  量子回路(QC)の忠実性は、ハードウェア特性、キャリブレーション状態、トランスパイルプロセスなど、いくつかの要因の影響を受けている。 Q-fidは、Long Short-Term Memory (LSTM)ベースの忠実度予測システムであり、量子回路の忠実度を定量化するために設計された新しいメートル法を伴っている。 Q-fidは平均RMSE 0.0515で高い予測精度を達成し、Qiskitトランスパイルツールのマポマティックよりも24.7倍正確である。
  論文  参考訳（メタデータ） (2023-03-30T16:44:12Z)

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。