論文の概要: Photonic Quantum-Enhanced Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2603.14898v1
• Date: Mon, 16 Mar 2026 06:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.118211
• Title: Photonic Quantum-Enhanced Knowledge Distillation
• Title（参考訳）: フォトニック量子強化知識蒸留
• Authors: Kuan-Cheng Chen, Shang Yu, Chen-Yu Liu, Samuel Yen-Chi Chen, Huan-Hsin Tseng, Yen Jui Chang, Wei-Hao Huang, Felix Burt, Esperanza Cuenca Gomez, Zohim Chandani, William Clements, Ian Walmsley, Kin K. Leung,
• Abstract要約: フォトニック量子強化知識蒸留(PQKD)は、ハイブリッドな量子フォトニック-古典的なフレームワークである。 PQKDは、高容量教師からの蒸留中にパラメータ効率のよい学生ネットワークを制約し、誘導する。
• 参考スコア（独自算出の注目度）: 23.478631281591692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photonic quantum processors naturally produce intrinsically stochastic measurement outcomes, offering a hardware-native source of structured randomness that can be exploited during machine-learning training. Here we introduce Photonic Quantum-Enhanced Knowledge Distillation (PQKD), a hybrid quantum photonic--classical framework in which a programmable photonic circuit generates a compact conditioning signal that constrains and guides a parameter-efficient student network during distillation from a high-capacity teacher. PQKD replaces fully trainable convolutional kernels with dictionary convolutions: each layer learns only a small set of shared spatial basis filters, while sample-dependent channel-mixing weights are derived from shot-limited photonic features and mapped through a fixed linear transform. Training alternates between standard gradient-based optimisation of the student and sampling-robust, gradient-free updates of photonic parameters, avoiding differentiation through photonic hardware. Across MNIST, Fashion-MNIST and CIFAR-10, PQKD traces a controllable compression--accuracy frontier, remaining close to teacher performance on simpler benchmarks under aggressive convolutional compression. Performance degrades predictably with finite sampling, consistent with shot-noise scaling, and exponential moving-average feature smoothing suppresses high-frequency shot-noise fluctuations, extending the practical operating regime at moderate shot budgets.
• Abstract（参考訳）: フォトニック量子プロセッサは本質的に確率的な測定結果を自然に生成し、機械学習トレーニングで活用できる構造化ランダム性のハードウェアネイティブなソースを提供する。 本稿では、プログラマブルフォトニック回路が高容量教師からの蒸留中にパラメータ効率のよい学生ネットワークを制約し誘導するコンパクトなコンディショニング信号を生成するハイブリッド量子フォトニック-古典的なフレームワークであるフォトニック量子強化知識蒸留(PQKD)を紹介する。 PQKDは、完全に訓練可能な畳み込みカーネルを辞書畳み込みで置き換える: 各レイヤは、共有空間基底フィルタの小さなセットのみを学習し、サンプル依存チャネル混合重みは、ショット制限フォトニック特徴から引き起こされ、固定線形変換によってマッピングされる。 学生の標準勾配に基づく最適化と、サンプリングロストで勾配のないフォトニックパラメータの更新を交互に行い、フォトニックハードウェアによる微分を避ける。 MNIST、Fashion-MNIST、CIFAR-10の他、PQKDは制御可能な圧縮精度フロンティアを辿り、攻撃的な畳み込み圧縮の下で単純なベンチマークで教師のパフォーマンスに近づいたままである。 有限サンプリング, ショットノイズスケーリング, 指数的移動平均特性のスムース化により, 高頻度ショットノイズ変動が抑制され, 実用的運用体制は適度な予算で拡張される。

関連論文リスト

• 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)
• Continuous-variable photonic quantum extreme learning machines for fast collider-data selection [0.0]
  我々は、コライダーデータ処理のための高速かつ低オーバーヘッドのフロントエンドとして、連続可変フォトニック量子極端学習マシンについて研究する。 データは二次変位を通じてフォトニックモードで符号化され、固定時間ガウス量子基板を介して伝播する。 1つの線形解法を用いて線形分類器のみを訓練するので、再学習は高速であり、光学パスと検出器応答は解析と推論の遅延を設定できる。
  論文  参考訳（メタデータ） (2025-10-15T18:21:32Z)
• Wafer-Scale Squeezed-Light Chips [12.435824870106941]
  完全に相補的な金属酸化物半導体(CMOS)互換窒化ケイ素(Si$_3$N$_4$)PICプラットフォーム上での2モード圧縮真空状態のウェハスケール製造について報告する。 4インチのウェハを横切ると、8 は2.9-3.1 dB の収率、0.2$ dB の変量で直接測定される。
  論文  参考訳（メタデータ） (2025-09-12T17:51:51Z)
• 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)
• Distributed Quantum Neural Networks on Distributed Photonic Quantum Computing [3.299179876684316]
  トレーニング可能なパラメータが$M(M+1)/2$のフォトニック量子ニューラルネットワーク(QNN)は高次元確率分布を生成する。 フォトニックQTの精度は95.50% pm 0.84%$で、パラメータは3,292である。 フォトニックQTは6-12%の絶対精度で古典的な圧縮技術より優れている。
  論文  参考訳（メタデータ） (2025-05-13T11:58:45Z)
• CALLIC: Content Adaptive Learning for Lossless Image Compression [64.47244912937204]
  CALLICは、学習したロスレス画像圧縮のための新しい最先端(SOTA)を設定する。 本稿では,畳み込みゲーティング操作を利用したコンテンツ認識型自己回帰自己保持機構を提案する。 エンコーディング中、低ランク行列を用いて深度の畳み込みを含む事前学習層を分解し、レート誘導プログレッシブファインタニング(RPFT)による画像検査にインクリメンタルウェイトを適応させる。 推定エントロピーにより下位順にソートされたパッチを徐々に増加させたRPFTファインチューン,学習過程の最適化,適応時間の短縮を実現した。
  論文  参考訳（メタデータ） (2024-12-23T10:41:18Z)
• PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution [95.98801201266099]
  拡散に基づく画像超解像(SR)モデルでは、複数のデノナイジングステップのコストで優れた性能を示す。 本稿では,一段階拡散(OSD)画像SR,PassionSRにおける適応スケールの学習後量子化手法を提案する。 我々のPassionSRは、画像SRの最近の先進的な低ビット量子化法に対して大きな利点がある。
  論文  参考訳（メタデータ） (2024-11-26T04:49:42Z)
• Experimental quantum natural gradient optimization in photonics [11.72584828456107]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子時代の実用的な量子応用を約束する。 量子自然勾配(QNG)はより高速な収束を実現し、より容易に局所的なミニマを避けることができる。 完全プログラマブルなフォトニックチップを用いて、フォトニックのQNGを初めて実験的に推定する。
  論文  参考訳（メタデータ） (2023-10-11T10:41:51Z)
• Pixel Distillation: A New Knowledge Distillation Scheme for Low-Resolution Image Recognition [124.80263629921498]
  アーキテクチャ制約を同時に破りながら知識蒸留を入力レベルまで拡張するPixel Distillationを提案する。 このようなスキームは、ネットワークアーキテクチャと画像品質の両方をリソースの全体的な要求に応じて調整できるため、展開のための柔軟なコスト制御を実現することができる。
  論文  参考訳（メタデータ） (2021-12-17T14:31:40Z)

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。