論文の概要: Quantum inference on a classically trained quantum extreme learning machine

• arxiv url: http://arxiv.org/abs/2603.20167v1
• Date: Fri, 20 Mar 2026 17:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.262173
• Title: Quantum inference on a classically trained quantum extreme learning machine
• Title（参考訳）: 古典的に訓練された量子極端学習マシンの量子推論
• Authors: Emanuele Brusaschi, Marco Clementi, Marco Liscidini, Daniele Bajoni, Matteo Galli, Massimo Borghi,
• Abstract要約: 我々は、刺激された放出と自発放出の対応を利用してパラダイムシフトを導入する。 両量子状態の(93 +-4)%精度、多次元絡み検出、および(96 +-4)%の忠実度を持つハミルトン支配光子ペア生成の学習を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum extreme learning machines (QELMs) are unconventional computing architectures that bear remarkable promise in both classical and quantum machine-learning tasks, such as the estimate of quantum state properties. However, the probabilistic nature of quantum measurements demands extensive repetitions for training to precisely estimate expectation values, imposing stringent trade-offs among experimental resources, acquisition time, and signal-to-noise ratio, particularly for large datasets. Here we introduce a paradigm shift by harnessing the correspondence between stimulated and spontaneous emission. The QELM is trained exclusively with intense classical fields, yet it performs inference directly on previously unseen quantum input states to predict their quantum properties. This strategy dramatically reduces acquisition times while substantially enhancing the signal-to-noise ratio. Using frequency-bin-encoded biphoton states, implemented here for the first time in a quantum machine-learning architecture, we demonstrate entanglement witnessing of two-qubit states with (93 +- 4)% accuracy, multi-dimensional entanglement detection, and learning of the Hamiltonian governing photon-pair generation with a fidelity of (96 +- 4)%. By establishing classical training as a scalable route to quantum feature extraction, our results bridge macroscopic observables and nonclassical correlations, opening a new pathway toward faster and more robust quantum neural networks
• Abstract（参考訳）: 量子エクストリームラーニングマシン(QELMs)は、古典的および量子的機械学習タスクにおいて、量子状態特性の推定のような顕著な約束を果たす、伝統的な計算アーキテクチャである。 しかし、量子測定の確率的性質は、特に大規模なデータセットにおいて、予測値を正確に推定し、実験資源間の厳密なトレードオフ、取得時間、信号対雑音比を課す訓練のために広範囲な繰り返しを必要とする。 ここでは、刺激された放出と自発放出の対応を利用してパラダイムシフトを導入する。 QELMは、厳密な古典的場のみを用いて訓練されているが、その量子特性を予測するために、以前は目に見えない量子入力状態に直接推論を行う。 この戦略は、信号対雑音比を大幅に高めながら、取得時間を劇的に短縮する。 量子機械学習アーキテクチャにおいて初めて実装された周波数双光子状態を用いて、(93 + 4)%の精度を持つ2量子状態の絡み合い、多次元の絡み合い検出、96 + 4)%の忠実度を持つハミルトン支配光子ペア生成の学習を示す。 量子特徴抽出のためのスケーラブルなルートとして古典的トレーニングを確立することで、マクロ的な可観測物と非古典的相関関係を橋渡しし、より高速で堅牢な量子ニューラルネットワークへの新たな道を開く。

関連論文リスト

• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• Distributed quantum machine learning via classical communication [0.7378853859331619]
  本稿では,古典的通信を通じて量子プロセッサユニットを統合する実験的な分散量子機械学習手法を提案する。 その結果,古典的コミュニケーションを取り入れることで,コミュニケーションのないスキームに比べて分類精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-08-29T08:05:57Z)
• 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)
• 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 data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Mutual Reinforcement between Neural Networks and Quantum Physics [0.0]
  量子機械学習は、量子力学と機械学習の共生から生まれる。 古典的な機械学習を量子物理学問題に適用するためのツールとして使う。 量子パーセプトロンの力学に基づく量子ニューラルネットワークの設計と、短絡の断熱への応用は、短時間の動作時間と堅牢な性能をもたらす。
  論文  参考訳（メタデータ） (2021-05-27T16:20:50Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)

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。