論文の概要: AQER: a scalable and efficient data loader for digital quantum computers

• arxiv url: http://arxiv.org/abs/2602.02165v1
• Date: Mon, 02 Feb 2026 14:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.219124
• Title: AQER: a scalable and efficient data loader for digital quantum computers
• Title（参考訳）: AQER:デジタル量子コンピュータのためのスケーラブルで効率的なデータローダ
• Authors: Kaining Zhang, Xinbiao Wang, Yuxuan Du, Min-Hsiu Hsieh, Dacheng Tao,
• Abstract要約: 我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
• 参考スコア（独自算出の注目度）: 62.40228216126285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital quantum computing promises to offer computational capabilities beyond the reach of classical systems, yet its capabilities are often challenged by scarce quantum resources. A critical bottleneck in this context is how to load classical or quantum data into quantum circuits efficiently. Approximate quantum loaders (AQLs) provide a viable solution to this problem by balancing fidelity and circuit complexity. However, most existing AQL methods are either heuristic or provide guarantees only for specific input types, and a general theoretical framework is still lacking. To address this gap, here we reformulate most AQL methods into a unified framework and establish information-theoretic bounds on their approximation error. Our analysis reveals that the achievable infidelity between the prepared state and target state scales linearly with the total entanglement entropy across subsystems when the loading circuit is applied to the target state. In light of this, we develop AQER, a scalable AQL method that constructs the loading circuit by systematically reducing entanglement in target states. We conduct systematic experiments to evaluate the effectiveness of AQER, using synthetic datasets, classical image and language datasets, and a quantum many-body state datasets with up to 50 qubits. The results show that AQER consistently outperforms existing methods in both accuracy and gate efficiency. Our work paves the way for scalable quantum data processing and real-world quantum computing applications.
• Abstract（参考訳）: デジタル量子コンピューティングは、古典的なシステムの範囲を超えて計算能力を提供するが、その能力は少ない量子資源によってしばしば挑戦される。 この文脈における重要なボトルネックは、量子回路に古典的または量子的データを効率的にロードする方法である。 近似量子ローダ(AQL)は、忠実度と回路複雑性のバランスをとることで、この問題に対して実行可能なソリューションを提供する。 しかしながら、既存のほとんどのAQLメソッドはヒューリスティックであるか、特定の入力タイプにのみ保証を提供する。 このギャップに対処するため、ほとんどのAQLメソッドを統一されたフレームワークに再構成し、近似エラーに関する情報理論境界を確立する。 本分析により, 負荷回路が対象状態に適用された場合, 目標状態と準備状態との間の達成可能な不整合性は, サブシステム間の全絡み合いエントロピーと線形にスケールすることが明らかとなった。 そこで我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。 その結果、AQERは精度とゲート効率の両方で既存の手法より一貫して優れていた。 我々の研究は、スケーラブルな量子データ処理と実世界の量子コンピューティングアプリケーションへの道を開いた。

関連論文リスト

• Compilation-informed probabilistic quantum error cancellation [2.079863206645103]
  本稿では,回路,QEC符号,およびコンパイラに依存しない論理ゲートノイズに対する量子エラー緩和方式を提案する。 最大回路サイズとQEC符号距離は目標精度とは独立であり、QECのみに基づく戦略とは対照的である。 提案手法は,高精度推定のための量子リソース要件を著しく低減し,高精度非依存オーバーヘッドを伴うフォールトトレラント量子計算への実用的な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-27T18:00:10Z)
• Typical Machine Learning Datasets as Low-Depth Quantum Circuits [0.04654705430482874]
  我々は,従来の画像データを量子状態としてロードする低深度量子回路を見つけるための効率的なアルゴリズムを開発した。 我々は,MNIST,Fashion-MNIST,CIFAR-10,Imagenetteデータセットについて系統的研究を行った。
  論文  参考訳（メタデータ） (2025-05-06T10:27:51Z)
• Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
  本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。 本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
  論文  参考訳（メタデータ） (2025-04-29T14:10:10Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)

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。