論文の概要: Noise-adaptive hybrid quantum convolutional neural networks based on depth-stratified feature extraction

• arxiv url: http://arxiv.org/abs/2602.21953v1
• Date: Wed, 25 Feb 2026 14:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.865376
• Title: Noise-adaptive hybrid quantum convolutional neural networks based on depth-stratified feature extraction
• Title（参考訳）: 深さ成層特徴抽出に基づく雑音適応型ハイブリッド量子畳み込みニューラルネットワーク
• Authors: Taehyun Kim, Israel F. Araujo, Daniel K. Park,
• Abstract要約: 深度階層化中間測定値を利用して,雑音下での分類を改善する雑音適応型ハイブリッドQCNNを提案する。 このハイブリッド階層設計は、量子中間測度と古典的な後処理を統合することでノイズ適応推論を可能にする。
• 参考スコア（独自算出の注目度）: 7.6371555592843565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical quantum classifiers, such as quantum convolutional neural networks (QCNNs), represent recent progress toward designing effective and feasible architectures for quantum classification. However, their performance on near-term quantum hardware remains highly sensitive to noise accumulation across circuit depth, calling for strategies beyond circuit-architecture design alone. We propose a noise-adaptive hybrid QCNN that improves classification under noise by exploiting depth-stratified intermediate measurements. Instead of discarding qubits removed during pooling operations, we measure them and use the resulting outcomes as classical features that are jointly processed by a classical neural network. This hybrid hierarchical design enables noise-adaptive inference by integrating quantum intermediate measurements with classical post-processing. Systematic experiments across multiple circuit sizes and noise settings, including hardware-calibrated noise models derived from IBM Quantum backend data, demonstrate more stable convergence, reduced loss variability, and consistently higher classification accuracy compared with standard QCNNs. Moreover, we observe that this performance advantage significantly amplifies as the circuit size increases, confirming that the hybrid architecture mitigates the scaling limitations of standard architectures. Notably, the multi-basis measurement variant attains performance close to the noiseless limit even under realistic noise. While demonstrated for QCNNs, the proposed depth-stratified feature extraction applies more broadly to hierarchical quantum classifiers that progressively discard qubits.
• Abstract（参考訳）: 量子畳み込みニューラルネットワーク(QCNN)のような階層型量子分類器は、量子分類のための効果的で実現可能なアーキテクチャを設計するための最近の進歩を表している。 しかし、短期量子ハードウェアにおけるそれらの性能は、回路奥行きのノイズ蓄積に非常に敏感であり、回路アーキテクチャ設計以外の戦略を要求する。 深度階層化中間測定値を利用して,雑音下での分類を改善する雑音適応型ハイブリッドQCNNを提案する。 プール操作中に取り除かれたキュービットを捨てる代わりに、それらを計測し、その結果を古典的なニューラルネットワークによって共同で処理される古典的な特徴として使用します。 このハイブリッド階層設計は、量子中間測度と古典的な後処理を統合することでノイズ適応推論を可能にする。 IBM Quantumバックエンドデータから導かれるハードウェアキャリブレーションノイズモデルを含む、複数の回路サイズおよびノイズ設定にわたる系統的な実験は、より安定した収束、損失変動の低減、標準QCNNと比較して常に高い分類精度を示す。 さらに、回路サイズが大きくなるにつれて、この性能の優位性が著しく向上し、ハイブリッドアーキテクチャが標準アーキテクチャのスケーリング制限を緩和することを確認した。 特に、マルチベーシ測定変種は、現実的な雑音下であっても、ノイズレス限界に近い性能が得られる。 QCNNで実証されているが、提案された深度階層化特徴抽出は、量子ビットを段階的に破棄する階層型量子分類器により広く適用される。

関連論文リスト

• Differentiable Architecture Search for Adversarially Robust Quantum Computer Vision [6.837371200793778]
  現在の量子ニューラルネットワークは、対向的摂動とハードウェアノイズの両方に対して極度に敏感である。 本稿では,これらの制約に対処するハイブリッド量子古典微分可能な量子アーキテクチャ探索(DQAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-26T01:21:44Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Resource-Efficient Hadamard Test Circuits for Nonlinear Dynamics on a Trapped-Ion Quantum Computer [1.2063443893298391]
  本稿では,Adamardテスト回路の低深さ実装を提案する。 我々は変分アルゴリズムに特化してパラメータ化量子アンサッツを開発した。 以上の結果より,シングルビットゲート数と2ビットゲート数が有意に減少した。
  論文  参考訳（メタデータ） (2025-07-25T13:16:54Z)
• Quantum Adaptive Excitation Network with Variational Quantum Circuits for Channel Attention [0.2812395851874055]
  量子適応励起ネットワーク(QAE-Net)について紹介する。 QAE-Netは、畳み込みニューラルネットワーク(CNN)におけるチャネルアテンションメカニズムを強化するために設計されたハイブリッド量子古典フレームワークである。
  論文  参考訳（メタデータ） (2025-07-15T11:40:37Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• 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)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Quantum Neural Networks: A Comparative Analysis and Noise Robustness Evaluation [4.2435928520499635]
  現在のノイズの多い中間規模量子(NISQ)デバイスでは、ハイブリッド量子ニューラルネットワーク(HQNN)が有望なソリューションを提供する。 QCNN(Quantum Convolution Neural Network)、Quannal Neural Network(QuanNN)、Quantum Transfer Learning(QTL)など、様々なHQNNアルゴリズムの比較分析を行う。 我々は,異なる絡み合い構造を持つ量子回路における各アルゴリズムの性能,層数の変化,アーキテクチャにおける最適配置を評価する。
  論文  参考訳（メタデータ） (2025-01-24T11:23:26Z)
• 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 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。