論文の概要: A rigorous hybridization of variational quantum eigensolver and classical neural network
- arxiv url: http://arxiv.org/abs/2602.17295v1
- Date: Thu, 19 Feb 2026 11:58:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:29.013211
- Title: A rigorous hybridization of variational quantum eigensolver and classical neural network
- Title（参考訳）: 変分量子固有解法と古典ニューラルネットワークの厳密なハイブリッド化
- Authors: Minwoo Kim, Kyoung Keun Park, Kyungmin Lee, Jeongho Bang, Taehyun Kim,
- Abstract要約: 対角非単元後処理(DNP)のような現在のアプローチは、同時に要求を満たすことができない。
正規化不要なユニタリ変分ハイブリッド固有解器 (U-VQNHE) を開発した。
- 参考スコア（独自算出の注目度）: 21.337951716874414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural post-processing has been proposed as a lightweight route to enhance variational quantum eigensolvers by learning how to reweight measurement outcomes. In this work, we identify three general desiderata for such data-driven neural post-processing -- (i) self-contained training without prior knowledge, (ii) polynomial resources, and (iii) variational consistency -- and show that current approaches, such as diagonal non-unitary post-processing (DNP), cannot satisfy these requirements simultaneously. The obstruction is intrinsic: with finite sampling, normalization becomes a statistical bottleneck, and support mismatch between numerator and denominator estimators can render the empirical objective ill-conditioned and even sub-variational. Moreover, to reproduce the ground state with constant-depth ansatzes or with linear-depth circuits forming unitary 2-designs, the required reweighting range (and hence the sampling cost) grows exponentially with the number of qubits. Motivated by this no-go result, we develop a normalization-free alternative, the unitary variational quantum-neural hybrid eigensolver (U-VQNHE). U-VQNHE retains the practical appeal of a learnable diagonal post-processing layer while guaranteeing variational safety, and numerical experiments on transverse-field Ising models demonstrate improved accuracy and robustness over both VQE and DNP-based variants.
- Abstract（参考訳）: ニューラルポストプロセッシングは、測定結果を重み付けする方法を学ぶことによって、変量量子固有解法を強化する軽量な方法として提案されている。
本研究では,データ駆動型ニューラル後処理のための3つの一般的なデシラタを同定する。
一 事前の知識のない自己完結した訓練
(二)多項式資源、及び
(iii)変分整合性 -- そして、対角非単元後処理(DNP)のような現在のアプローチが、これらの要件を同時に満たさないことを示す。
有限サンプリングで正規化は統計的ボトルネックとなり、数値演算器と分母推定器のミスマッチをサポートすることで、経験的目的を不条件に、あるいは亜変量的にも表現することができる。
さらに、一定の深さのアンサーゼや、一元的な2つの設計を成す線形深度回路で基底状態を再現するために、必要な再重み付け範囲(サンプリングコスト)は、キュービット数とともに指数関数的に増加する。
量子-ニューラルハイブリッド固有解法 (U-VQNHE) の正規化自由代替法を開発した。
U-VQNHEは、変分安全性を確保しつつ学習可能な対角後処理層の実用的魅力を保ち、横フィールドイジングモデルにおける数値実験により、VQEおよびDNPベースの変種よりも精度と堅牢性を向上した。
関連論文リスト
- Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - Schrodinger Neural Network and Uncertainty Quantification: Quantum Machine [0.0]
本稿では,条件密度推定と不確実性に対する原理的アーキテクチャであるSchrodinger Neural Network(SNN)を紹介する。
SNNは、各入力を出力領域上の正規化波動関数にマッピングし、Bornルールを介して予測確率を計算する。
論文 参考訳（メタデータ） (2025-10-27T15:52:47Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - Multivariate unbounded quantum regression via log-ratio probabilities mitigating barren plateaus [1.6317061277457001]
本稿では,量子状態の対数比確率(LRP)を利用した,新規でシンプルな後処理手法を提案する。
提案手法は、量子ビット数に対する回帰出力数を指数関数的に拡張し、パラメータと量子ビット効率を大幅に改善する。
論文 参考訳（メタデータ） (2025-06-25T05:10:24Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。
我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。
我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Harmonizing SO(3)-Equivariance with Neural Expressiveness: a Hybrid Deep Learning Framework Oriented to the Prediction of Electronic Structure Hamiltonian [36.13416266854978]
HarmoSEは、ディープラーニングのための2段階のケースケード回帰フレームワークである。
第1段階は、豊富なSO(3)-同変の特徴を抽出したハミルトニアンを予測する。
第2段階はハミルトニアンの詳細な予測として第1段階の出力を洗練させる。
論文 参考訳（メタデータ） (2024-01-01T12:57:15Z) - DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid
Neural Modeling [4.76185521514135]
本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。
具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
論文 参考訳（メタデータ） (2023-12-30T07:40:47Z) - Identification of quantum entanglement with Siamese convolutional neural networks and semi-supervised learning [0.0]
量子絡み合いは、様々な量子情報プロトコルやアルゴリズムで一般的に使用される基本的な性質である。
本研究では、教師付き機械学習の一種であるディープ畳み込みNNを用いて、3量子系における任意の二分割の量子絡みを同定する。
論文 参考訳（メタデータ） (2022-10-13T23:17:55Z) - Toward Physically Realizable Quantum Neural Networks [15.018259942339446]
量子ニューラルネットワーク(QNN)の現在のソリューションは、スケーラビリティに関する課題を提起している。
QNNの指数的状態空間は、トレーニング手順のスケーラビリティに課題をもたらす。
本稿では量子パーセプトロンの転送関数の帯域制限フーリエ展開に依存するQNNの新しいモデルを提案する。
論文 参考訳（メタデータ） (2022-03-22T23:03:32Z) - Nonuniform-to-Uniform Quantization: Towards Accurate Quantization via
Generalized Straight-Through Estimation [48.838691414561694]
非一様量子化(英: Nonuniform-to-Uniform Quantization、N2UQ)は、ハードウェアフレンドリーで効率的な非一様法の強力な表現能力を維持できる方法である。
N2UQはImageNet上で最先端の非一様量子化法を0.71.8%上回る。
論文 参考訳（メタデータ） (2021-11-29T18:59:55Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z)
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。