論文の概要: FALQON-MST: A Fully Quantum Framework for Graph Optimization in Vision Systems

• arxiv url: http://arxiv.org/abs/2603.20694v1
• Date: Sat, 21 Mar 2026 07:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.042926
• Title: FALQON-MST: A Fully Quantum Framework for Graph Optimization in Vision Systems
• Title（参考訳）: FALQON-MST:ビジョンシステムにおけるグラフ最適化のためのフル量子フレームワーク
• Authors: Guilherme E. L. Pexe, Lucas A. M. Rattighieri, Leandro A. Passos, Douglas Rodrigues, Danilo S. Jodas, João P. Papa, Kelton A. P. da Costa,
• Abstract要約: グラフの最小スパンニングツリー(MST)を見つけることは、コンピュータビジョンにおいて重要な課題である。 我々は、FALQONアルゴリズムを用いて、MSTを計算するための完全量子パイプラインを提案し、評価する。
• 参考スコア（独自算出の注目度）: 0.6745502291821955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding the minimum spanning tree (MST) of a graph is an important task in computer vision, as it enables a sparse and low-cost representation of connectivity among elements (such as superpixels, points, or regions), which is useful for tasks such as segmentation, reconstruction, and clustering. In this work, we propose and evaluate a fully quantum pipeline for computing MSTs using the FALQON algorithm, a feedback-based quantum optimization method that does not require classical optimizers. We construct a Hamiltonian formulation whose ground-state energy encodes the MST of a graph and compare different FALQON strategies: (i) time rescaling (TR-FALQON) and (ii) multi-driver configurations. To avoid domain-specific biases, we adopt graphs with random weights and show that the FALQON variants exhibit significant differences in ground-state fidelity. We discuss the relevance of this approach for computer vision problems that naturally yield graph representations, and experimental results on synthetic instances together with a small demonstrative study on image segmentation illustrate both the potential and the current limitations of the method. Our numerical simulations on randomly weighted graphs show that standard one drive FALQON, although it reduces the expected energy, fails to concentrate amplitude in the MST solution. The multi drive variant succeeds in redistributing probability mass toward the ground state so that the MST appears among the most probable outcomes, and TR FALQON applied over multi drive produces the best results with faster convergence, lower final energy, and the highest solution state probability or fidelity in our tested instances. These improvements were observed on small synthetic graphs, underscoring both the promise of multi drive controls with temporal rescaling and the need for further scaling and hardware validation.
• Abstract（参考訳）: グラフの最小スパンニングツリー(MST)を見つけることはコンピュータビジョンにおいて重要なタスクであり、セグメンテーション、再構成、クラスタリングといったタスクに有用な要素(スーパーピクセル、ポイント、リージョンなど)間の接続性の疎小かつ低コストな表現を可能にする。 本研究では,従来の最適化アルゴリズムを必要としないフィードバックに基づく量子最適化手法であるFALQONアルゴリズムを用いて,MSTの完全量子パイプラインを提案し,評価する。 我々は、基底状態エネルギーがグラフのMSTを符号化し、異なるFALQON戦略を比較するハミルトン式を構築する。 (i)時間再スケーリング(TR-FALQON)および (ii)マルチドライバの設定。 ドメイン固有のバイアスを避けるため、ランダムな重み付きグラフを採用し、FALQON変種が基底状態の忠実度に有意な違いを示すことを示す。 本稿では,グラフ表現を自然に生成するコンピュータビジョン問題に対するこのアプローチの有効性について論じるとともに,画像セグメント化に関する小さな実証的研究により,その可能性と現在の限界について述べる。 ランダムに重み付けされたグラフ上での数値シミュレーションにより、標準のFALQONは期待されるエネルギーを減少させるが、MST溶液の振幅集中に失敗することを示した。 マルチドライブの変種は、MSTが最も期待できる結果の1つとなるように、基底状態への確率質量の再分配に成功し、TR FALQONは、より高速な収束、低い最終エネルギー、そしてテストインスタンスにおける最も高い解状態の確率または忠実度で、最良の結果を生成する。 これらの改善は、時間的再スケーリングによるマルチドライブ制御の約束と、さらなるスケーリングとハードウェア検証の必要性の両方を強調して、小さな合成グラフ上で観察された。

関連論文リスト

• Quantum Hamlets: Distributed Compilation of Large Algorithmic Graph States [1.7856410179559383]
  我々のアルゴリズムであるBURYは、最先端のk分割アルゴリズムよりもベルペアを生成に必要とせず、グラフ状態を分割する。 本稿では,グラフ状態の生成と測定を同時に行う動的ケースに対して,我々の手法を直接適用する方法について議論する。
  論文  参考訳（メタデータ） (2026-03-06T15:36:22Z)
• A Shadow Enhanced Greedy Quantum Eigensolver [0.0]
  本稿では, シャドウ強化グリーディ量子固有ソルバ (SEGQE) を, 測定効率の良い地中処理のための, シャドウ支援フレームワークとして紹介する。 本研究は,SEGQEにおける厳密な最悪ケース毎のサンプル複雑度境界を導出し,候補ゲート数に対数依存を示す。
  論文  参考訳（メタデータ） (2026-02-19T18:40:35Z)
• Scalable Quantum Walk-Based Heuristics for the Minimum Vertex Cover Problem [0.0]
  連続時間量子ウォーク(CTQW)に基づく最小頂点被覆(MVC)問題に対する新しい量子アルゴリズムを提案する。 この枠組みでは、グラフ上の量子ウォーカーのコヒーレントな伝播は、その構造特性を状態振幅に符号化する。 我々は,CTQWに基づくアルゴリズムが優れた近似比を一貫して達成し,ネットワークトポロジに関して顕著な堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2025-12-02T17:04:57Z)
• Conditional Distribution Quantization in Machine Learning [83.54039134248231]
  条件予測 mathbbE(Y Mid X) はしばしば、マルチモーダル条件分布の複雑さを捉えることに失敗する(Y Mid X) 我々はn点条件量子化(n-point Conditional Quantizations)-勾配降下により学習可能なXの関数写像--近似数学L(Y mid X)-を提案する。
  論文  参考訳（メタデータ） (2025-02-11T00:28:24Z)
• Efficient Measurement-Driven Eigenenergy Estimation with Classical Shadows [0.0]
  マルチオブザーバブル・ダイナミックモード分解(MODMD)の枠組みを紹介する。 我々は、典型的なアダマールテスト回路を、低ランクの可観測性を予測するために設計されたプロトコルに置き換える。 我々の研究は、短期および早期の耐故障性量子デバイス上での測定駆動アルゴリズムを効率的に設計するための道を開く。
  論文  参考訳（メタデータ） (2024-09-20T17:59:56Z)
• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。