論文の概要: Distilling the knowledge with quantum neural networks

• arxiv url: http://arxiv.org/abs/2603.21586v1
• Date: Mon, 23 Mar 2026 05:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.501888
• Title: Distilling the knowledge with quantum neural networks
• Title（参考訳）: 量子ニューラルネットワークによる知識の希薄化
• Authors: Yuxuan Yan, Sitian Qian, Qi Zhao, Xingjian Zhang,
• Abstract要約: 量子ニューラルネットワーク(Quantum Neural Networks, QNN)は、量子コンピューティングモデルの将来的なクラスであり、潜在的な量子優位性を持つ。 ここでは,大規模システム上でよく訓練されたQNNを,同様の構成でより小さなアーキテクチャに蒸留する方法を示す。 量子ビット数と回路深度の観点から,知識蒸留がQNNのトレーニングコストの低減に役立つことを示す。
• 参考スコア（独自算出の注目度）: 14.96896432008496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Neural Networks (QNNs) are a promising class of quantum machine learning models with potential quantum advantages when implemented on scalable, error-corrected quantum computers. However, as system sizes increase, deploying QNNs becomes challenging. Similar to their classical counterparts, a key obstacle to their practical applications is that large-scale QNNs may not be easily deployed on smaller systems that have limited resources. Here, we tackle this challenge by compressing QNNs via knowledge distillation. We demonstrate how well-trained QNNs on large systems can be distilled into smaller architectures with similar configurations. We numerically show that knowledge distillation helps reduce the training cost of QNNs in terms of the number of qubits and circuit depth. Additionally, we find that a self-knowledge-distillation approach can accelerate training convergence. We believe our results offer new strategies for the efficient compression and practical deployment of QNNs.
• Abstract（参考訳）: 量子ニューラルネットワーク(Quantum Neural Networks, QNN)は、スケーラブルでエラー訂正された量子コンピュータ上で実装された量子コンピューティングモデルである。 しかし、システムのサイズが大きくなるにつれて、QNNのデプロイは困難になる。 従来のものと同様、彼らの実用上の大きな障害は、限られたリソースを持つ小さなシステムに大規模QNNを簡単に展開できないことである。 本稿では,QNNを知識蒸留により圧縮することで,この課題に対処する。 大規模システム上でよく訓練されたQNNを、同様の構成でより小さなアーキテクチャに蒸留する方法を実証する。 量子ビット数と回路深度の観点から,知識蒸留がQNNのトレーニングコストの低減に役立つことを示す。 さらに, 自己学習蒸留法により, 学習の収束が促進されることが判明した。 我々は,この結果がQNNの効率的な圧縮と実践的展開のための新たな戦略を提供すると考えている。

関連論文リスト

• LCQNN: Linear Combination of Quantum Neural Networks [7.010027035873597]
  量子ニューラルネットワークの線形結合(LCQNN)フレームワークについて述べる。 制御ユニタリの$k$を採用する、あるいはモデルを特定の群理論部分空間に制限するといった構造的選択が、勾配の崩壊を防ぐことを示す。 群行動シナリオでは、対称性を利用して指数関数的に大きい既約部分空間を除外することにより、モデルはバレンプラトーを回避できることを示す。
  論文  参考訳（メタデータ） (2025-07-03T17:43:10Z)
• Shedding Light on the Future: Exploring Quantum Neural Networks through Optics [3.1935899800030096]
  量子ニューラルネットワーク(QNN)は、急速に発展する量子機械学習分野において、新興技術として重要な役割を果たす。 本稿では,QNNの概念とその物理的実現,特に量子光学に基づく実装について概説する。
  論文  参考訳（メタデータ） (2024-09-04T08:49:57Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Splitting and Parallelizing of Quantum Convolutional Neural Networks for Learning Translationally Symmetric Data [0.0]
  分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。 量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。 本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-12T18:00:08Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。