論文の概要: Quantum Recurrent Unit: A Parameter-Efficient Quantum Neural Network Component

• arxiv url: http://arxiv.org/abs/2601.18164v1
• Date: Mon, 26 Jan 2026 05:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.691128
• Title: Quantum Recurrent Unit: A Parameter-Efficient Quantum Neural Network Component
• Title（参考訳）: 量子リカレントユニット:パラメータ効率の良い量子ニューラルネットワークコンポーネント
• Authors: Tzong-Daw Wu, Hsi-Sheng Goan,
• Abstract要約: 本研究では、新しい量子ニューラルネットワーク(NN)アーキテクチャである量子リカレントユニット(QRU)を紹介する。 QRUは、NISQ(Noisy Intermediate-Scale Quantum)デバイスと互換性がある。 QRUは従来のNNに比べてパラメータが大幅に少ないため、同等または優れた性能を一貫して達成できることを示す。
• 参考スコア（独自算出の注目度）: 1.6881346757176978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of modern machine learning (ML) models presents fundamental challenges in parameter efficiency and computational resource requirements. This study introduces the Quantum Recurrent Unit (QRU), a novel quantum neural network (NN) architecture specifically designed to address these challenges while remaining compatible with Noisy Intermediate-Scale Quantum (NISQ) devices. QRU leverages quantum controlled-SWAP (C-SWAP; Fredkin) gates to implement an information selection mechanism inspired by classical Gated Recurrent Units (GRUs), enabling selective processing of temporal information via quantum operations. Through its innovative recurrent architecture featuring measurement results feedforward state propagation and shared parameters across time steps, QRU achieves constant circuit depth and constant parameter count regardless of input sequence length, effectively circumventing stringent NISQ hardware constraints. We systematically validate QRU through three progressive experiments: (1) oscillatory behavior prediction, where 72-parameter QRU matches 197-parameter classical GRU performance; (2) Wisconsin Diagnostic Breast Cancer classification, where 35 parameters achieve 96.13% accuracy comparable to 167-parameter artificial NNs; and (3) MNIST handwritten digit recognition, where 132 parameters reach 98.05% accuracy, outperforming a 27,265-parameter convolutional NN. These results demonstrate that QRU consistently achieves comparable or superior performance with significantly fewer parameters than classical NNs while maintaining constant quantum circuit depth. The architecture's quantum-native design, combining C-SWAP-based information selection with novel recurrent processing, suggests QRU's potential as a fundamental building block for next-generation ML systems, offering a promising pathway toward more efficient and scalable quantum ML architectures.
• Abstract（参考訳）: 機械学習モデル(ML)の急速な成長は、パラメータ効率と計算資源要求における根本的な課題を示す。 本研究は、ノイズ中間量子(NISQ)デバイスとの互換性を維持しながらこれらの課題に対処するために設計された、新しい量子ニューラルネットワーク(NN)アーキテクチャであるQuantum Recurrent Unit(QRU)を紹介する。 QRUは、量子制御SWAP (C-SWAP; Fredkin) ゲートを利用して、古典的な Gated Recurrent Units (GRU) にインスパイアされた情報選択機構を実装し、量子演算による時間情報の選択的処理を可能にする。 測定結果のフィードフォワード状態伝搬と時間ステップ間の共有パラメータを含む革新的な再帰アーキテクチャにより、QRUは入力シーケンス長にかかわらず一定回路深さと定数パラメータカウントを達成し、厳密なNISQハードウェア制約を効果的に回避する。 我々は,(1) 72パラメータのQRUが197パラメータの古典的GRUと一致する振動行動予測,(2) 35パラメータが167パラメータの人工NNに匹敵する96.13%の精度を示すウィスコンシン診断乳がん分類,(3) MNIST手書き桁認識,3) 132パラメータが98.05%の精度で,27,265パラメータの畳み込みNNを上回った3つの進行的実験を通して,QRUを体系的に検証した。 これらの結果から、QRUは量子回路深度を一定に保ちながら、古典的NNに比べてパラメータが大幅に少ない、同等または優れた性能を一貫して達成していることが示された。 アーキテクチャの量子ネイティブ設計は、C-SWAPベースの情報選択と新しいリカレント処理を組み合わせることで、QRUが次世代MLシステムの基本的なビルディングブロックとしての可能性を示し、より効率的でスケーラブルな量子MLアーキテクチャへの有望な経路を提供する。

関連論文リスト

• 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)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Learning to Program Quantum Measurements for Machine Learning [10.617463958884528]
  高性能量子機械学習モデルの開発には、専門家レベルの専門知識が必要である。 本稿では,量子系の可観測性,特にエルミート行列の学習性を示す革新的なフレームワークを提案する。 提案手法は変動量子回路内で観測可能を動的にプログラムし,既存の手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-18T02:39:22Z)
• Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
  量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。 ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。 微分可能最適化を用いた自動解法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T19:01:08Z)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• 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)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Realizing Quantum Convolutional Neural Networks on a Superconducting Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
  量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。 我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。 その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:32:57Z)

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。