論文の概要: Layered Quantum Architecture Search for 3D Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2603.20024v1
• Date: Fri, 20 Mar 2026 15:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.198121
• Title: Layered Quantum Architecture Search for 3D Point Cloud Classification
• Title（参考訳）: 3次元ポイントクラウド分類のための層状量子アーキテクチャ探索
• Authors: Natacha Kuete Meli, Jovita Lukasik, Vladislav Golyanik, Michael Moeller,
• Abstract要約: 層状量子アーキテクチャ探索(層状QAS) 階層型量子アーキテクチャ探索(Layered Quantum Architecture Search, 層状QAS)を導入する。 3Dポイントのクラウド分類は、難しいが高度に構造化された問題である。
• 参考スコア（独自算出の注目度）: 32.46691424131952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce layered Quantum Architecture Search (layered-QAS), a strategy inspired by classical network morphism that designs Parametrised Quantum Circuit (PQC) architectures by progressively growing and adapting them. PQCs offer strong expressiveness with relatively few parameters, yet they lack standard architectural layers (e.g., convolution, attention) that encode inductive biases for a given learning task. To assess the effectiveness of our method, we focus on 3D point cloud classification as a challenging yet highly structured problem. Whereas prior work on this task has used PQCs only as feature extractors for classical classifiers, our approach uses the PQC as the main building block of the classification model. Simulations show that our layered-QAS mitigates barren plateau, outperforms quantum-adapted local and evolutionary QAS baselines, and achieves state-of-the-art results among PQC-based methods on the ModelNet dataset.
• Abstract（参考訳）: 並列量子回路(PQC)アーキテクチャを段階的に成長・適応させることにより設計する,古典的ネットワークアモルファスにインスパイアされた戦略である階層量子アーキテクチャサーチ(層量子QAS)を導入する。 PQCは比較的少ないパラメータで強い表現力を提供しますが、学習タスクの帰納バイアスを符号化する標準的なアーキテクチャレイヤ(例えば、畳み込み、注意)は欠如しています。 提案手法の有効性を評価するため,我々は3次元点雲分類を課題でありながら高度に構造化された問題として取り上げる。 従来の作業では古典的分類器の特徴抽出器としてのみPQCを用いたが,本手法では分類モデルの主構成要素としてPQCを用いた。 シミュレーションにより,我々の層状QASはバレンプラトーを緩和し,量子適応型局所的および進化的QASベースラインを上回り,PQCに基づくモデルネットデータセットを用いた手法の最先端結果が得られることが示された。

関連論文リスト

• Dissecting Quantum Reinforcement Learning: A Systematic Evaluation of Key Components [0.08921166277011346]
  量子強化学習(QRL: Quantum Reinforcement Learning)は、量子コンピューティングと強化学習の交差点において、有望なパラダイムとして登場した。 設計上、PQCはハイブリッド量子古典モデルを作成するが、実用性はまだ不明である。
  論文  参考訳（メタデータ） (2025-11-21T10:21:39Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Fault-tolerant logical state construction based on cavity-QED network [0.196629787330046]
  本稿では,キャビティ量子電気力学(CQED)ネットワークを用いたスケーラブルで実用的なアーキテクチャを提案し,評価する。 我々のアーキテクチャは、中性原子の安定性とCQEDネットワークの柔軟性を利用する。
  論文  参考訳（メタデータ） (2025-03-14T15:26:29Z)
• RSQ: Learning from Important Tokens Leads to Better Quantized LLMs [65.5558181902098]
  レイヤーワイド量子化は、高価なリトレーニングなしで大きなモデルを効率的に圧縮するための重要な技術である。 モデルに回転を適用して外乱を緩和するRSQ(Rotate, Scale, then Quantize)を提案する。 RSQは、複数の下流タスクと3つのモデルファミリーで、ベースラインメソッドを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-03-03T18:46:33Z)
• Variational Quantum Circuit Design for Quantum Reinforcement Learning on Continuous Environments [2.9723999564214267]
  量子強化学習(QRL)は、アルゴリズムのアーキテクチャにおいて量子サブモジュールを使用する強化学習(RL)の分野として登場した。 QRLの1つの分野は、関数近似器として、変分量子回路(VQC)によるニューラルネットワーク(NN)の置換に焦点を当てている。 連続的な行動空間を持つ古典的な環境を解くためにQRLエージェントを設計し、古典的なフィードフォワードNNに対してエージェントをベンチマークする方法を示す。
  論文  参考訳（メタデータ） (2023-12-21T12:40:01Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Evolutionary Quantum Architecture Search for Parametrized Quantum Circuits [7.298440208725654]
  本稿では,PQCモデルのための進化的量子アーキテクチャ探索フレームワークであるEQAS-PQCを紹介する。 提案手法は,ハイブリッド量子古典モデルの性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-08-23T19:47:37Z)
• Efficient Quantum Feature Extraction for CNN-based Learning [5.236201168829204]
  本稿では,古典的CNNモデルの識別可能性を高めるために,量子古典的なディープネットワーク構造を提案する。 我々は、より強力な関数近似器であるPQCを構築し、受容場内の特徴を捉えるためにより複雑な構造を持つ。 その結果, アンザッツの表現性が高いモデルでは, 低コストで精度が高いことが判明した。
  論文  参考訳（メタデータ） (2022-01-04T17:04:07Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。