論文の概要: Rethinking Quantum Noise in Quantum Machine Learning: When Noise Improves Learning

• arxiv url: http://arxiv.org/abs/2601.13275v1
• Date: Mon, 19 Jan 2026 18:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.007186
• Title: Rethinking Quantum Noise in Quantum Machine Learning: When Noise Improves Learning
• Title（参考訳）: 量子機械学習における量子ノイズの再考:ノイズが学習を改善するとき
• Authors: Linghua Zhu, Yulong Dong, Ziyu Zhang, Xiaosong Li,
• Abstract要約: 量子ノイズは、通常、短期量子コンピューティングの基本的な障害と見なされる。 我々はこの合意に異議を唱える数値的な証拠を提示する。 分子特性予測のための量子グラフニューラルネットワークの実験を通して、量子ノイズが不均一応答を誘導することを発見した。
• 参考スコア（独自算出の注目度）: 5.083987940956758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum noise is conventionally viewed as a fundamental obstacle in near-term quantum computing, motivating extensive error correction and mitigation strategies. We present numerical evidence that challenges this consensus. Through experiments on quantum graph neural networks for molecular property prediction, we discover that quantum noise induces heterogeneous, initialization-dependent responses. Among randomly initialized models with identical architecture, approximately one-third show performance improvement under moderate noise, while a smaller fraction deteriorate and the remainder are marginally affected. We identify a strong negative correlation ($r = -0.62$) between baseline model performance and noise benefit, suggesting that noise acts as an implicit regularizer for under-optimized models while disrupting well-converged ones. The observed optimal noise level falls below theoretical predictions, indicating error cancellation in structured quantum circuits. These findings demonstrate that quantum noise effects depend critically on initialization quality and need not be uniformly detrimental, suggesting a shift from universal noise mitigation toward structure- and noise-aware optimization strategies.
• Abstract（参考訳）: 量子ノイズは、従来、短期量子コンピューティングの基本的な障害と見なされ、広範な誤り訂正と緩和戦略を動機付けている。 我々はこの合意に異議を唱える数値的な証拠を提示する。 分子特性予測のための量子グラフニューラルネットワークの実験を通して、量子ノイズが不均一な初期化依存応答を誘導することを発見した。 同一のアーキテクチャを持つランダム初期化モデルのうち、約3分の1は中程度の雑音下での性能向上を示す一方、小さな分画は劣化し、残りはわずかに影響を受ける。 ベースラインモデルの性能とノイズの利点との間には強い負の相関(r = -0.62$)が認められており、ノイズはよく収束したモデルを破壊しながら、最適化されていないモデルの暗黙の正則化として振る舞うことを示唆している。 観測された最適雑音レベルは、構造化量子回路における誤差キャンセルを示す理論的な予測を下回る。 これらの結果から, 量子ノイズ効果は初期化品質に極めて依存しており, 均一に劣化する必要はないことが示唆された。

関連論文リスト

• Improving Quantum Neural Networks exploration by Noise-Induced Equalization [1.2043574473965317]
  最適量子ノイズレベルが変動パラメータの等化'を誘導することを示す。 最良等化近傍における有益雑音効果の証拠となる広範囲な数値シミュレーションについて報告する。
  論文  参考訳（メタデータ） (2025-11-12T15:41:46Z)
• Exploiting biased noise in variational quantum models [0.0]
  変分量子アルゴリズム(VQA)は、短期量子ハードウェア上で量子ユーティリティを実証するための有望なツールである。 古典的最適化過程における量子ノイズの影響について検討する。 トワイリングは、ノイズをシンメトリーズするために標準的な誤り軽減戦略でよく用いられるが、実際には変動条件下での性能を低下させる。
  論文  参考訳（メタデータ） (2025-10-28T04:14:20Z)
• 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)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Quantum Benchmarking of High-Fidelity Noise-Biased Operations on a Detuned-Kerr-Cat Qubit [1.4812736095876513]
  我々は、スケーラブルなノイズバイアス量子ビット(detuned Kerr-cat qubit)のための量子制御ツールボックスを開発した。 ゲートセットトモグラフィーと二面ランダム化ベンチマークを用いて,これらの動作の雑音構造を系統的に解析する。 以上の結果から,ビットフリップ時間と位相フリップ時間のみから推定される動作騒音バイアスの重大な過大評価が得られた。
  論文  参考訳（メタデータ） (2024-11-07T05:34:18Z)
• Lindblad-like quantum tomography for non-Markovian quantum dynamical maps [46.350147604946095]
  本稿では,Lindblad-like quantum tomography (L$ell$QT) を量子情報プロセッサにおける時間相関ノイズの量子的特徴付け手法として紹介する。 単一量子ビットの強調力学について、L$ell$QT を詳細に論じ、量子進化の複数のスナップショットを可能性関数に含めることの重要性を正確に理解することができる。
  論文  参考訳（メタデータ） (2024-03-28T19:29:12Z)
• Accurate and Honest Approximation of Correlated Qubit Noise [39.58317527488534]
  提案手法は, 量子ビット相関度の高い雑音成分を組み込むことにより, 精度を向上することのできる, 近似雑音チャネルの効率的な構成法である。 固定周波数超伝導量子ビットに典型的な現実的な雑音強度では、2量子ビット相関を超える相関ノイズがコードシミュレーションの精度に大きく影響することを発見した。
  論文  参考訳（メタデータ） (2023-11-15T19:00:34Z)
• Certified Robustness of Quantum Classifiers against Adversarial Examples through Quantum Noise [68.1992787416233]
  量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。 我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
  論文  参考訳（メタデータ） (2022-11-02T05:17:04Z)
• Noise effects on purity and quantum entanglement in terms of physical implementability [27.426057220671336]
  量子デバイスの不完全操作による量子デコヒーレンスは、ノイズの多い中間スケール量子(NISQ)時代の重要な問題である。 量子情報および量子計算における標準解析は、量子ノイズチャネルをパラメータ化するためにエラーレートを使用する。 本稿では,その逆の物理的実装性により,ノイズチャネルのデコヒーレンス効果を特徴付けることを提案する。
  論文  参考訳（メタデータ） (2022-07-04T13:35:17Z)
• Optimal Provable Robustness of Quantum Classification via Quantum Hypothesis Testing [14.684867444153625]
  量子機械学習モデルには、従来のモデルに比べてスピードアップと予測精度が向上する可能性がある。 これらの量子アルゴリズムは、古典的なアルゴリズムと同様に、入力摂動に弱いことが示されている。 これらは、ノイズの多い実装か、最悪のタイプのノイズとして、敵攻撃から生じる可能性がある。
  論文  参考訳（メタデータ） (2020-09-21T17:55:28Z)

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。