論文の概要: Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits
- arxiv url: http://arxiv.org/abs/2603.16973v1
- Date: Tue, 17 Mar 2026 12:28:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.315618
- Title: Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits
- Title（参考訳）: 雑音量子回路を用いたハイブリッド古典量子移動学習
- Authors: D. Martín-Pérez, F. Rodríguez-Díaz, D. Gutiérrez-Avilés, A. Troncoso, F. Martínez-Álvarez,
- Abstract要約: 画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。
我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。
実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum transfer learning combines pretrained classical deep learning models with quantum circuits to reuse expressive feature representations while limiting the number of trainable parameters. In this work, we introduce a family of compact quantum transfer learning architectures that attach variational quantum classifiers to frozen convolutional backbones for image classification. We instantiate and evaluate several classical-quantum hybrid models implemented in PennyLane and Qiskit, and systematically compare them with a classical transfer-learning baseline across heterogeneous image datasets. To ensure a realistic assessment, we evaluate all approaches under both ideal simulation and noisy emulation using noise models calibrated from IBM quantum hardware specifications, as well as on real IBM quantum hardware. Experimental results show that the proposed quantum transfer learning architectures achieve competitive and, in several cases, superior accuracy while consistently reducing training time and energy consumption relative to the classical baseline. Among the evaluated approaches, PennyLane-based implementations provide the most favorable trade-off between accuracy and computational efficiency, suggesting that hybrid quantum transfer learning can offer practical benefits in realistic NISQ era settings when feature extraction remains classical.
- Abstract（参考訳）: 量子転送学習は、訓練済みの古典的ディープラーニングモデルと量子回路を組み合わせることで、訓練可能なパラメータの数を制限するとともに、表現的特徴表現を再利用する。
本研究では,画像分類のために,変動量子分類器を冷凍畳み込みバックボーンに付加する,コンパクトな量子伝達学習アーキテクチャのファミリを紹介する。
我々はPennyLaneとQiskitで実装された古典的量子ハイブリッドモデルのインスタンス化と評価を行い、それらを異種画像データセット間の古典的移動学習ベースラインと体系的に比較する。
現実的な評価を実現するため,本研究では,IBM量子ハードウェア仕様と実際のIBM量子ハードウェアを校正したノイズモデルを用いて,理想的なシミュレーションとノイズエミュレーションの両方の下で,すべてのアプローチを評価する。
実験結果から,提案した量子伝達学習アーキテクチャは,古典的ベースラインと比較してトレーニング時間とエネルギー消費を一貫して減少させつつ,競争力といくつかの場合において優れた精度を達成できることが示唆された。
評価されたアプローチの中で、PennyLaneベースの実装は、精度と計算効率の最も好ましいトレードオフを提供し、ハイブリッド量子トランスファー学習は、特徴抽出が古典的なままである場合に、現実的なNISQ時代設定において実用的な利点をもたらすことを示唆している。
関連論文リスト
- Generative modeling with Gaussian Boson Sampling: classically trainable Bosonic Born Machines [0.1449880056570423]
パラメトリゼーションされたガウスボソンサンプリング回路上に構築されたフォトニック量子生成モデルを導入する。
このトレーニングは、状態のガウス構造によって実現される期待値の効率的な古典的評価に基づいている。
最大805モードと100万以上のトレーニング可能なパラメータを持つフォトニックシステムにおける数値実験によるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2026-03-11T18:04:11Z) - Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。
このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。
我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
論文 参考訳（メタデータ） (2026-01-29T14:29:21Z) - The Role of Quantum in Hybrid Quantum-Classical Neural Networks: A Realistic Assessment [0.0]
量子機械学習は、短期的な量子ハードウェアのための有望なアプリケーションドメインとして登場した。
我々は、ハイブリッド量子古典ニューラルネットワークアーキテクチャにおける量子処理の影響に光を当てることを目指している。
論文 参考訳（メタデータ） (2026-01-08T08:54:44Z) - Adversarially Robust Quantum Transfer Learning [1.3113458064027566]
量子機械学習(QML)は、古典的な機械学習システムの性能向上のための研究分野として期待されている。
この章では、量子コンピューティングの利点と転送学習技術を組み合わせて高解像度画像分類に対処するハイブリッド量子古典アーキテクチャを紹介する。
論文 参考訳（メタデータ） (2025-10-18T02:16:34Z) - 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) - Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。
この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-02-17T16:04:04Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,古典的畳み込みニューラルネットワーク(CNN)から量子ニューラルネットワーク(QNN)へ知識を伝達するための新しい枠組みを提案する。
我々は、MNIST, Fashion MNIST, CIFAR10データセット上の4および8キュービットを持つ2つのパラメタライズド量子回路(PQC)を用いて、広範な実験を行う。
我々の結果は、古典的なディープラーニングと新しい量子コンピューティングをブリッジし、量子マシンインテリジェンスにおいてより強力でリソースを意識したモデルを構築するための、有望なパラダイムを確立します。
論文 参考訳（メタデータ） (2023-11-23T05:06:43Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z)
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。