論文の概要: A Quantum Computing Framework for VLBI Data Correlation

• arxiv url: http://arxiv.org/abs/2602.04269v1
• Date: Wed, 04 Feb 2026 06:59:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.413386
• Title: A Quantum Computing Framework for VLBI Data Correlation
• Title（参考訳）: VLBIデータ相関のための量子コンピューティングフレームワーク
• Authors: Lei Liu,
• Abstract要約: 古典的ベースバンド時系列データである長さ$N$は、振幅エンコーディングを$log N$ qubitsのみを用いて量子重ね合わせ状態に埋め込むことができることを示す。 基本的VLBI相関とフリンジフィッティング操作は、計算複雑性を著しく低減した量子アルゴリズムによって実装できる。
• 参考スコア（独自算出の注目度）: 4.760821214230627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a quantum computing framework for VLBI data correlation. We point out that a classical baseband time series data of length $N$ can be embedded into a quantum superposition state using amplitude encoding with only $\log_2 N$ qubits. The basic VLBI correlation and fringe fitting operations, including fringe rotation, Fourier transform, delay compensation, and cross correlation, can be implemented via quantum algorithms with significantly reduced computational complexity. We construct a full quantum processing pipeline and validate its feasibility and accuracy through direct comparison with a classical VLBI pipeline. We recognize that amplitude encoding of large data volumes remains the primary bottleneck in quantum computing; however, the quantized nature of VLBI raw data helps reduce the state-preparation complexity. Our investigation demonstrates that quantum computation offers a promising paradigm for VLBI data correlation and is likely to play a role in future VLBI systems.
• Abstract（参考訳）: VLBIデータ相関のための量子コンピューティングフレームワークを提案する。 古典的ベースバンド時系列データである長さ$N$は、振幅エンコーディングを$\log_2 N$ qubitsのみを用いて量子重ね合わせ状態に埋め込むことができる。 差分回転、フーリエ変換、遅延補償、クロス相関を含む基本的VLBI相関とフリンジフィッティング操作は、計算複雑性を著しく低減した量子アルゴリズムによって実装できる。 完全量子処理パイプラインを構築し、古典的なVLBIパイプラインと直接比較することにより、その実現可能性と精度を検証する。 我々は、大容量データの振幅符号化が量子コンピューティングの主要なボトルネックであり続けていることを認識しているが、VLBIの生データの量子化の性質は、状態準備の複雑さを軽減するのに役立っている。 我々の研究は、量子計算がVLBIデータ相関に有望なパラダイムを提供し、将来のVLBIシステムにおいて役割を担っていることを実証している。

関連論文リスト

• Parallel Data Processing in Quantum Machine Learning [0.4893345190925178]
  本稿では、量子並列性を利用してトレーニングデータセット全体を単一の量子演算で処理するフレームワークを提案する。 標準パラメータ化量子回路を統合アーキテクチャに組み込み、全てのトレーニングサンプルを量子重ね合わせに符号化し、並列に分類する。
  論文  参考訳（メタデータ） (2025-08-16T10:32:34Z)
• 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)
• 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)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Quantum-parallel vectorized data encodings and computations on trapped-ions and transmons QPUs [0.3262230127283452]
  我々は、QCrankとQBArtという2つの新しいデータ符号化方式を導入する。 QCrankは実数値データのシーケンスをデータキュービットの回転としてエンコードし、高いストレージ密度を実現する。 QBArtはデータのバイナリ表現を計算ベースに埋め込み、量子測定を少なくする。
  論文  参考訳（メタデータ） (2023-01-19T01:26:32Z)
• Quantum Machine Learning Framework for Virtual Screening in Drug Discovery: a Prospective Quantum Advantage [0.0]
  量子統合ワークフローは、最先端の古典的アルゴリズムと比較して有意義な優位性が得られることを示す。 また、ADRB2およびCOVID-19データセットを用いてIBM Quantumプロセッサ上でアルゴリズムをテストし、ハードウェアシミュレーションが予測された性能と一致し、古典的な等価性を上回る結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-04-08T12:05:27Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。