論文の概要: Validating a Koopman-Quantum Hybrid Paradigm for Diagnostic Denoising of Fusion Devices

• arxiv url: http://arxiv.org/abs/2602.03113v1
• Date: Tue, 03 Feb 2026 05:14:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.256185
• Title: Validating a Koopman-Quantum Hybrid Paradigm for Diagnostic Denoising of Fusion Devices
• Title（参考訳）: 核融合装置の診断のためのクープマン-量子ハイブリッドパラダイムの検証
• Authors: Tie-Jun Wang, Run-Qing Zhang, Ling Qian, Yun-Tao Song, Ting Lan, Hai-Qing Liu, Keren Li,
• Abstract要約: 物理インフォームドなKoopman-Quantumハイブリッドフレームワークを導入する。 クープマン作用素は物理を意識した「データ蒸留器」として機能し、波形をコンパクトな「量子可読」な特徴に圧縮する。 トカマク系の433個の放電から4,763個のチャネル配列をラベル付けして,この枠組みを検証した。
• 参考スコア（独自算出の注目度）: 5.8040520327789835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The potential of Quantum Machine Learning (QML) in data-intensive science is strictly bottlenecked the difficulty of interfacing high-dimensional, chaotic classical data into resource-limited, noisy quantum processors. To bridge this gap, we introduce a physics-informed Koopman-Quantum hybrid framework, theoretically grounded in a representation-level structural isomorphism we establish between the Koopman operator, which linearizes nonlinear dynamics, and quantum evolution. Based on this theoretical foundation, we design a realizable NISQ-friendly pipeline: the Koopman operator functions as a physics-aware "data distiller," compressing waveforms into compact, "quantum-ready" features, which are subsequently processed by a modular, parallel quantum neural network. We validated this framework on 4,763 labeled channel sequences from 433 discharges of the tokamak system. The results demonstrate that our model achieves 97.0\% accuracy in screening corrupted diagnostic data, matching the performance of state-of-the-art deep classical CNNs while using orders-of-magnitude fewer trainable parameters. This work establishes a practical, physics-grounded paradigm for leveraging quantum processing in constrained environments, offering a scalable path for quantum-enhanced edge computing.
• Abstract（参考訳）: データ集約科学における量子機械学習(QML)のポテンシャルは、高次元のカオス古典的データをリソース制限されたノイズの多い量子プロセッサにインターフェースすることの難しさを、厳密にボトルネックにしている。 このギャップを埋めるために、非線形力学を線型化するクープマン作用素と量子進化を線形化するクープマン作用素の間に確立した表現レベル構造同型を理論的に基礎とする物理インフォームなクープマン-量子ハイブリッドフレームワークを導入する。 クープマン作用素は物理を意識した「データ蒸留器」として機能し、波形をコンパクトな「量子可読」な特徴に圧縮し、後にモジュール化された並列量子ニューラルネットワークによって処理する。 トカマク系433放電の4,763個のラベル付きチャネル配列に対して,この枠組みを検証した。 以上の結果から, 劣化診断データの精度は97.0 %であり, 従来型CNNと同等であり, 精度も低い。 この研究は、制約された環境で量子処理を活用するための実用的で物理学的なパラダイムを確立し、量子強化エッジコンピューティングのためのスケーラブルなパスを提供する。

関連論文リスト

• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Quantum Machine Learning for Predicting Binding Free Energies in Structure-Based Virtual Screening [0.0]
  分子情報を量子状態にエンコードする量子機械学習手法を導入する。 6つの量子回路ユニットを持つモデルでは、RMSDは2.37 kcal/mol、ピアソン相関は0.650である。
  論文  参考訳（メタデータ） (2025-07-24T14:01:39Z)
• 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)
• Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
  量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。 この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-17T16:04:04Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。 オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。 これらの特徴を5量子ビット量子状態にマッピングする。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Training-efficient density quantum machine learning [2.918930150557355]
  我々は、トレーニング可能なユニタリの混合を準備するモデルファミリーである密度量子ニューラルネットワークを導入する。 このフレームワークは、特に量子ハードウェア上で、表現性と効率的なトレーサビリティのバランスをとる。
  論文  参考訳（メタデータ） (2024-05-30T16:40:28Z)
• Quantum simulation of operator spreading in the chaotic Ising model [3.228427765222845]
  オフ・オブ・タイム・オーダード・コレレータ(OTOC)によるスクランブルの測定について検討する。 我々は、IBM Qプロセッサ、量子エラー軽減、およびトロッターシミュレーションを用いて、4スピンイジングモデルで拡散する高分解能演算子を研究する。 カオス的な状態に広がる弾道作用素の明確なシグネチャと、可積分な状態における作用素のローカライゼーションを見いだす。
  論文  参考訳（メタデータ） (2021-06-30T16:04:19Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)

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。