論文の概要: Structured Unitary Tensor Network Representations for Circuit-Efficient Quantum Data Encoding

• arxiv url: http://arxiv.org/abs/2602.16266v1
• Date: Wed, 18 Feb 2026 08:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.549187
• Title: Structured Unitary Tensor Network Representations for Circuit-Efficient Quantum Data Encoding
• Title（参考訳）: 回路効率の良い量子データ符号化のための構造的ユニタリテンソルネットワーク表現
• Authors: Guang Lin, Toshihisa Tanaka, Qibin Zhao,
• Abstract要約: TNQEは、構造化ユニタリテンソルネットワーク表現上に構築された回路効率の量子データ符号化フレームワークである。 TNQEは、2つの相補的なコア・ツー・サーキット戦略を通じて、結果として生じるテンソルコアを符号化回路にコンパイルする。 様々なベンチマークにおいて、TNQEは振幅エンコーディングの深さが0.04倍の浅さで符号化回路を実現する。
• 参考スコア（独自算出の注目度）: 33.951713386684425
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Encoding classical data into quantum states is a central bottleneck in quantum machine learning: many widely used encodings are circuit-inefficient, requiring deep circuits and substantial quantum resources, which limits scalability on quantum hardware. In this work, we propose TNQE, a circuit-efficient quantum data encoding framework built on structured unitary tensor network (TN) representations. TNQE first represents each classical input via a TN decomposition and then compiles the resulting tensor cores into an encoding circuit through two complementary core-to-circuit strategies. To make this compilation trainable while respecting the unitary nature of quantum operations, we introduce a unitary-aware constraint that parameterizes TN cores as learnable block unitaries, enabling them to be directly optimized and directly encoded as quantum operators. The proposed TNQE framework enables explicit control over circuit depth and qubit resources, allowing the construction of shallow, resource-efficient circuits. Across a range of benchmarks, TNQE achieves encoding circuits as shallow as $0.04\times$ the depth of amplitude encoding, while naturally scaling to high-resolution images ($256 \times 256$) and demonstrating practical feasibility on real quantum hardware.
• Abstract（参考訳）: 古典的なデータを量子状態に符号化することは量子機械学習における中心的なボトルネックであり、多くの広く使われている符号化は回路非効率であり、深い回路と量子ハードウェアのスケーラビリティを制限する相当な量子資源を必要とする。 本研究では,構造化ユニタリテンソルネットワーク(TN)表現上に構築された回路効率の高い量子データ符号化フレームワークTNQEを提案する。 TNQEはまずTN分解によって各古典的な入力を表現し、次に2つの相補的なコア・ツー・サーキット戦略を通じてテンソルコアを符号化回路にコンパイルする。 量子演算のユニタリな性質を尊重しながら、このコンパイルを訓練できるようにするため、TNコアを学習可能なブロックユニタリとしてパラメータ化し、直接最適化し、量子演算子として直接符号化するユニタリ・アウェア・制約を導入する。 提案したTNQEフレームワークは、回路深度とキュービットリソースの明示的な制御を可能にし、浅いリソース効率の高い回路の構築を可能にする。 様々なベンチマークにおいて、TNQEは、エンコーディング回路を0.04\times$の振幅エンコーディングの深さで浅くし、自然に高解像度の画像(256 \times 256$)にスケーリングし、実際の量子ハードウェアで実用的な実現可能性を示す。

関連論文リスト

• Domain-Aware Quantum Circuit for QML [0.7999703756441755]
  本稿では,局所性保存符号化と絡み合いを導出するために,画像先行情報を利用したドメイン対応量子回路(DAQC)を提案する。 設計ではインターリーブされたエンコード-トレインサイクルを採用しており、隣接するピクセルをホストするキュービット間で絡み合いがデバイス接続に合わせて適用される。 MNIST, FashionMentangle, PneumoniaMNISTデータセット上でDAQCを評価する。
  論文  参考訳（メタデータ） (2025-12-19T17:02:58Z)
• Fidelity-Preserving Quantum Encoding for Quantum Neural Networks [2.9621136443259872]
  既存の符号化方式は、ノイズ中間スケール量子NISQデバイスの限られた量子ビットに高次元画像を適用する際に、空間情報や意味情報を破棄する。 本稿では、ほぼロスレスなデータ圧縮と量子符号化を行うフィデリティ保存量子保存フレームワークを提案する。 実験の結果、FPQEはMNISTのような単純なデータセットの従来の手法と相容れない性能を示し、より複雑なデータセットの明確な改善を実現している。
  論文  参考訳（メタデータ） (2025-11-19T11:44:39Z)
• Quantum-Efficient Convolution through Sparse Matrix Encoding and Low-Depth Inner Product Circuits [0.0]
  本稿では、畳み込み積を構造化行列乗算として再構成する資源効率の量子アルゴリズムを提案する。 我々は、最適化されたキー値QRAM状態符号化を用いてスパース入力パッチを作成する量子フレームワークを構築する。 我々のアーキテクチャは、一般化されたSWAP回路を用いて、複数のフィルタにまたがるバッチ畳み込みをサポートする。
  論文  参考訳（メタデータ） (2025-07-25T20:08:12Z)
• A Qubit-Efficient Hybrid Quantum Encoding Mechanism for Quantum Machine Learning [11.861417859173859]
  量子主測地解析(Quantum principal Geodesic Analysis, QPGA)は、次元の減少と量子ビット効率の符号化のための非可逆的手法である。 我々は、qPGAは量子およびハイブリッドオートエンコーダよりも局所構造を効率的に保存することを示した。 下流のQML分類タスクでは、qPGAは99%以上の精度を達成でき、MNISTとFashion-MNISTのF1スコアは量子依存ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-24T03:09:16Z)
• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks [2.789685107745028]
  準進化モデルの効率性を高めるための2つの方法を提案する。 まず,任意の符号化手法に適用可能なメモ化を用いたフレキシブルなデータ量子化手法を提案する。 第2に、単一回路における符号化と処理のステップを組み合わせた、新たな統合符号化戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T07:57:13Z)
• Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
  超伝導プロセッサのための強化学習型量子コンパイラを開発した。 短絡の新規・ハードウェア対応回路の発見能力を示す。 本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
  論文  参考訳（メタデータ） (2024-06-18T01:49:48Z)
• 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)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)

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。