論文の概要: Quantum Random Features: A Spectral Framework for Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2601.21746v1
- Date: Thu, 29 Jan 2026 14:01:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.875165
- Title: Quantum Random Features: A Spectral Framework for Quantum Machine Learning
- Title（参考訳）: Quantum Random Features: 量子機械学習のためのスペクトルフレームワーク
- Authors: Akitada Sakurai, Aoi Hayashi, William John Munro, Kae Nemoto,
- Abstract要約: textitQuantum Random Features (QRF) と textitQuantum Dynamical Random Features (QDRF) を紹介する。
QRFとQDRFは変動最適化なしで高次元スペクトル表現を生成する。
スペクトル理論と実験的に実現可能な量子力学を結びつけることで、この研究はスケーラブルな量子学習へのコンパクトでハードウェア互換の経路を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning (QML) models often require deep, parameterized circuits to capture complex frequency components, limiting their scalability and near-term implementation. We introduce \textit{Quantum Random Features} (QRF) and \textit{Quantum Dynamical Random Features} (QDRF), lightweight quantum reservoir models inspired by classical random Fourier features (RFF) that generate high-dimensional spectral representations without variational optimization. Using $Z$-rotation encoding combined with random permutations or Hamiltonian dynamics, these models achieve $N_f$-dimensional feature maps at preprocessing cost $O(\log(N_f))$. Spectral analysis shows that QRF and QDRF reproduce the behavior of RFF, while simulations on Fashion-MNIST reach up to 89.3\% accuracy-matching or surpassing classical baselines with scalable qubit requirements. By linking spectral theory with experimentally feasible quantum dynamics, this work provides a compact and hardware-compatible route to scalable quantum learning.
- Abstract（参考訳）: 量子機械学習(QML)モデルは、複雑な周波数成分をキャプチャし、スケーラビリティと短期的な実装を制限するために、深くパラメータ化された回路を必要とすることが多い。
本稿では,古典的ランダムフーリエ特徴(RFF)にインスパイアされた,高次元のスペクトル表現を生成する軽量量子貯蓄モデルである,QRFとQDRFを紹介する。
ランダムな置換やハミルトニアン力学と組み合わせた$Z$回転符号化を用いて、これらのモデルは前処理コスト$O(\log(N_f))$で$N_f$次元特徴写像を得る。
スペクトル分析により、QRFとQDRFはRFFの挙動を再現し、Fashion-MNISTのシミュレーションは89.3\%の精度マッチングか、スケーラブルな量子ビット要求で古典的ベースラインを超える。
スペクトル理論と実験的に実現可能な量子力学を結びつけることで、この研究はスケーラブルな量子学習へのコンパクトでハードウェア互換の経路を提供する。
関連論文リスト
- Quantum Implicit Neural Representations for 3D Scene Reconstruction and Novel View Synthesis [42.13843953705695]
入射神経表現(INR)は連続信号モデリングと3次元シーン再構成の強力なパラダイムとなっている。
ニューラルラディアンス場レンダリングのための最初のハイブリッド量子古典的フレームワークである量子ニューラルラディアンス場(Q-NeRF)を提案する。
論文 参考訳（メタデータ） (2025-12-14T13:24:11Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - 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) - QML Essentials -- A framework for working with Quantum Fourier Models [2.5914756674389463]
このフレームワークはPennyLaneシミュレータに基づいており、変分量子回路の評価と訓練を容易にする。
これは、高速フーリエ変換による対応するスペクトルを計算するための2つの方法と、三角法を用いて期待値の拡張に基づく別の分析方法を提供する。
論文 参考訳（メタデータ） (2025-06-07T07:22:43Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Let Quantum Neural Networks Choose Their Own Frequencies [0.0]
我々は、量子モデルをジェネレータにトレーニング可能なパラメータの集合を含むように一般化し、トレーニング可能な周波数(TF)量子モデルへと導く。
我々は,TFモデルが手作業の解決に望ましい特性を持つジェネレータを学習する方法を数値的に示す。
論文 参考訳（メタデータ） (2023-09-06T18:00:07Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳（メタデータ） (2023-01-13T09:35:05Z) - A kernel-based quantum random forest for improved classification [0.0]
従来の古典的学習手法を強化する量子機械学習(QML)は、その実現に様々な制限がある。
量子カーネル推定(QKE)によって計算されるカーネル関数で線形量子支援ベクトルマシン(QSVM)を拡張する。
オーバーフィッティングを制限するため、カーネル行列に低ランクNystr"om近似を適用するようモデルをさらに拡張する。
論文 参考訳（メタデータ） (2022-10-05T15:57:31Z)
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。