論文の概要: Beyond the Classical Ceiling: Multi-Layer Fully-Connected Variational Quantum Circuits

• arxiv url: http://arxiv.org/abs/2602.16623v1
• Date: Wed, 18 Feb 2026 17:18:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-02-19 12:29:30.220564
• Title: Beyond the Classical Ceiling: Multi-Layer Fully-Connected Variational Quantum Circuits
• Title（参考訳）: 古典的シーリングを超えて:マルチ層完全接続変分量子回路
• Authors: Howard Su, Chen-Yu Liu, Samuel Yen-Chi Chen, Kuan-Cheng Chen, Huan-Hsin Tseng,
• Abstract要約: 既存のソリューションはしばしば、古典的なニューラルネットワークを特徴圧縮に頼り、真の量子能力を無視することでこれを回避している。 トレーニング可能な古典エンコーダを使わずに,textbfend-to-end量子学習を実現するモジュールアーキテクチャである textbfMulti-Layer Fully-Connected VQC (FC-VQC) を提案する。 我々は、標準ベンチマークと高次元産業タスク、textbf300-asset Option Portfolio Pricingに対して、このアプローチを実証的に検証する。
• 参考スコア（独自算出の注目度）: 30.43537052717143
• License:
• Abstract: Standard Variational Quantum Circuits (VQCs) struggle to scale to high-dimensional data due to the ``curse of dimensionality,'' which manifests as exponential simulation costs ($\mathcal{O}(2^d)$) and untrainable Barren Plateaus. Existing solutions often bypass this by relying on classical neural networks for feature compression, obscuring the true quantum capability. In this work, we propose the \textbf{Multi-Layer Fully-Connected VQC (FC-VQC)}, a modular architecture that performs \textbf{end-to-end quantum learning} without trainable classical encoders. By restricting local Hilbert space dimensions while enabling global feature interaction via structured block mixing, our framework achieves \textbf{linear scalability $\mathcal{O}(d)$}. We empirically validate this approach on standard benchmarks and a high-dimensional industrial task: \textbf{300-asset Option Portfolio Pricing}. In this regime, the FC-VQC breaks the ``Classical Ceiling,'' outperforming state-of-the-art Gradient Boosting baselines (XGBoost/CatBoost) while exhibiting \textbf{$\approx 17\times$ greater parameter efficiency} than Deep Neural Networks. These results provide concrete evidence that pure, modular quantum architectures can effectively learn industrial-scale feature spaces that are intractable for monolithic ansatzes.
• Abstract（参考訳）: 標準変分量子回路(VQCs)は、指数的なシミュレーションコスト($\mathcal{O}(2^d)$)と訓練不能なバレン高原(英語版)として表される「次元の商」により、高次元データへのスケールアップに苦慮している。 既存のソリューションはしばしば、古典的なニューラルネットワークを特徴圧縮に頼り、真の量子能力を無視することでこれを回避している。 本稿では,学習可能な古典エンコーダを使わずに,‘textbf{Multi-Layer Fully-Connected VQC(FC-VQC)’を実行するモジュールアーキテクチャを提案する。 局所ヒルベルト空間の次元を制限し、構造化ブロック混合によるグローバルな特徴相互作用を可能にすることにより、我々のフレームワークは \textbf{linear scalability $\mathcal{O}(d)$} を達成する。 標準的なベンチマークと高次元の産業タスクに対して,このアプローチを実証的に検証する。 この体制では、FC-VQC は、Deep Neural Networks よりも 'textbf{$\approx 17\times$ greater parameter efficiency' を示しながら、最先端のグラディエントブースティングベースライン (XGBoost/CatBoost) よりも優れた ‘Classical Ceiling,' を破っている。 これらの結果は、純粋でモジュラーな量子アーキテクチャが、モノリシックなアンサテイズにとって魅力的な産業規模の特徴空間を効果的に学習できるという具体的な証拠を提供する。

関連論文リスト

• Dynamic Large Concept Models: Latent Reasoning in an Adaptive Semantic Space [56.37266873329401]
  大規模言語モデル (LLM) は、高度に一様でない情報密度を示す言語にもかかわらず、全てのトークンに一様計算を適用する。 我々は,潜在表現から意味境界を学習し,トークンから推論がより効率的である圧縮概念空間へ移行する階層型言語モデリングフレームワークである$textbfDynamic Large Concept Models (DLCM)$を提案する。
  論文  参考訳（メタデータ） (2025-12-31T04:19:33Z)
• Optimal quantum learning in proximity to universality [0.0]
  古典的にシミュレート可能な量子システムと計算的に優れた量子システムの境界は、真の量子優位性を特定するのに基本である。 可変な$N$-qubitランダム回路モデルを導入し、クリフォードゲートの分数$p$を確率的に非安定化条件付き$hatT$ゲートに置き換える。 本研究では,時間的処理タスクにおける貯水池の性能と,その絡み合いスペクトル統計量と長距離非安定化資源量との直接対応性を確立する。
  論文  参考訳（メタデータ） (2025-10-21T13:27:41Z)
• Accelerating Inference for Multilayer Neural Networks with Quantum Computers [4.168548169504036]
  非線形アクティベーション機能を持つ多層ニューラルネットワークの完全コヒーレントな量子実装について述べる。 3つの量子データアクセス体制下でのネットワークの推論の複雑さを分析する。
  論文  参考訳（メタデータ） (2025-10-08T16:26:50Z)
• It's-A-Me, Quantum Mario: Scalable Quantum Reinforcement Learning with Multi-Chip Ensembles [29.944281778572876]
  量子強化学習(QRL)はヒルベルト空間にアクセスできるコンパクト関数近似器を約束する。 制約を克服するために,複数の小型量子畳み込みニューラルネットワーク(QCNN)を用いたマルチチップアンサンブルフレームワークを提案する。 我々のアプローチは、スーパーマリオブラザーズ環境からの複雑な高次元の観測を独立した量子回路で分割する。
  論文  参考訳（メタデータ） (2025-08-31T06:15:55Z)
• 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)
• LCQNN: Linear Combination of Quantum Neural Networks [7.010027035873597]
  量子ニューラルネットワークの線形結合(LCQNN)フレームワークについて述べる。 制御ユニタリの$k$を採用する、あるいはモデルを特定の群理論部分空間に制限するといった構造的選択が、勾配の崩壊を防ぐことを示す。 群行動シナリオでは、対称性を利用して指数関数的に大きい既約部分空間を除外することにより、モデルはバレンプラトーを回避できることを示す。
  論文  参考訳（メタデータ） (2025-07-03T17:43:10Z)
• 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)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
  本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。 3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
  論文  参考訳（メタデータ） (2021-08-03T17:49:09Z)

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。