Fugu-MT 論文翻訳(概要): Scalable Tensor Network Simulation for Quantum-Classical Dual Kernel

論文の概要: Scalable Tensor Network Simulation for Quantum-Classical Dual Kernel

arxiv url: http://arxiv.org/abs/2602.01330v1
Date: Sun, 01 Feb 2026 16:50:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-03 19:28:33.718156
Title: Scalable Tensor Network Simulation for Quantum-Classical Dual Kernel
Title（参考訳）: 量子古典的デュアルカーネルのためのスケーラブルテンソルネットワークシミュレーション
Authors: Mei Ian Sam, Tai-Yu Li,
Abstract要約: 本稿では,量子カーネル回路シミュレーションのための効率よくスケーラブルなテンソルネットワークフレームワークを提案する。このフレームワークは、最大784キュービットの線形混合量子古典双対核の体系的な大規模評価を可能にする。
参考スコア（独自算出の注目度）: 1.7188280334580195
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents an efficient and scalable tensor network framework for quantum kernel circuit simulation, alleviating practical costs associated with increasing qubit counts and data size. The framework enables systematic large-scale evaluation of a linearly mixed quantum-classical dual kernel of up to 784 qubits. Using Fashion-MNIST, the classification performance of the test dataset is compared between a classical kernel, a quantum kernel, and the quantum-classical dual kernel across the feature dimensions from 2 to 784, with a one-to-one mapping between encoded features and qubits. Our result shows that the quantum-classical dual kernel consistently outperforms both single-kernel baselines, remains stable as the dimensionality increases, and mitigates the large-scale degradation observed in the quantum kernel. Analysis of the learned mixing weights indicates that quantum contributions dominate below 128 features, while classical contributions become increasingly important beyond 128, suggesting that the classical kernel provides a stabilizing anchor against concentration effects and hardware noise while preserving quantum gains at lower dimensions.
Abstract（参考訳）: 本稿では,量子カーネルシミュレーションのための効率よくスケーラブルなテンソルネットワークフレームワークを提案する。このフレームワークは、最大784キュービットの線形混合量子古典双対核の体系的な大規模評価を可能にする。 Fashion-MNISTを用いて、テストデータセットの分類性能を古典的カーネル、量子カーネル、量子古典的デュアルカーネルで比較し、符号化された特徴と量子ビットを1対1でマッピングする。この結果から,量子古典的双対核は単核基底線を一貫して上回り,次元が増大するにつれて安定であり,量子核で観測される大規模劣化を緩和することが明らかとなった。得られた混合重みの解析は、量子寄与が128以上の特徴で支配されていることを示しているが、古典的な寄与は18以上の重要さを増し、古典的なカーネルは、低次元の量子ゲインを保ちながら、濃度効果とハードウェアノイズに対して安定化アンカーを提供することを示している。

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)
Benign Overfitting with Quantum Kernels [5.499796332553708]
量子カーネルは、量子状態間の内部積を測定することで、データポイント間の類似性を定量化する。本稿では,量子カーネル構築のための新しい手法を提案する。
論文参考訳（メタデータ） (2025-03-21T10:30:42Z)
Challenging the Quantum Advantage Frontier with Large-Scale Classical Simulations of Annealing Dynamics [0.0]
近年のD-Waveの量子シミュレータの実証では、量子計算の優位性を示す新しいベンチマークが確立されている。時間依存の変分モンテカルロは、スピングラスの量子アニールをシステムサイズまで効率的にシミュレートできることを示した。
論文参考訳（メタデータ） (2025-03-11T10:09:37Z)
Benchmarking digital quantum simulations above hundreds of qubits using quantum critical dynamics [42.29248343585333]
最大133キュービットの量子ハードウェアとエラー軽減手法をベンチマークする。最大2量子ゲート幅は28で、最大1396個の2量子ゲートを持つ。結果はハミルトンシミュレーション、変分アルゴリズム、最適化、量子機械学習などのアプリケーションに転送可能である。
論文参考訳（メタデータ） (2024-04-11T18:00:05Z)
Syncopated Dynamical Decoupling for Suppressing Crosstalk in Quantum Circuits [2.6107310251235876]
本研究では、望ましくない2ビット結合の特性と抑制における動的疎結合の利用について検討する。我々は、デコヒーレンスから保護し、望ましくない2ビット相互作用を選択的にターゲットする配列を見つける。同期デカップリング技術は、現実的なアルゴリズム量子回路の性能を大幅に向上させる。
論文参考訳（メタデータ） (2024-03-12T17:18:35Z)
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)
Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文参考訳（メタデータ） (2024-01-31T01:02:16Z)
Quantum-Classical Multiple Kernel Learning [0.0]
機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
論文参考訳（メタデータ） (2023-05-28T12:29:04Z)
The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文参考訳（メタデータ） (2022-12-22T16:06:24Z)
Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文参考訳（メタデータ） (2022-04-26T09:52:02Z)
Expanding variational quantum eigensolvers to larger systems by dividing the calculations between classical and quantum hardware [0.0]
限られた資源を持つ量子コンピュータ上で、多粒子ハミルトニアンの固有値問題を効率的に解くためのハイブリッド古典量子アルゴリズムを提案する。このアルゴリズムは、より多くの量子評価を犠牲にして必要となる量子ビット数を減少させる。
論文参考訳（メタデータ） (2021-12-09T17:37:41Z)

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。