論文の概要: Model selection in hybrid quantum neural networks with applications to quantum transformer architectures
- arxiv url: http://arxiv.org/abs/2603.21749v1
- Date: Mon, 23 Mar 2026 09:43:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.592931
- Title: Model selection in hybrid quantum neural networks with applications to quantum transformer architectures
- Title（参考訳）: ハイブリッド量子ニューラルネットワークにおけるモデル選択と量子トランスアーキテクチャへの応用
- Authors: Harsh Wadhwa, Rahul Bhowmick, Naipunnya Raj, Rajiv Sangle, Ruchira V. Bhat, Krishnakumar Sabapathy,
- Abstract要約: 量子,古典,ハイブリッドトランスフォーマーアーキテクチャを評価するためのフレームワークを開発する。
Simplicity Bias(texttSB$)とExpressivity(texttEXP$)について、さまざまなモデルを比較するリーンメトリクスを紹介します。
我々は、$texttQBET$によって、有望なモデルバリアントの効率的な事前スクリーニングが可能になることを示す。
- 参考スコア（独自算出の注目度）: 0.3848364262836075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning models generally lack principled design guidelines, often requiring full resource-intensive training across numerous choices of encodings, quantum circuit designs and initialization strategies to find effective configuration. To address this challenge, we develope the Quantum Bias-Expressivity Toolbox ($\texttt{QBET}$), a framework for evaluating quantum, classical, and hybrid transformer architectures. In this toolbox, we introduce lean metrics for Simplicity Bias ($\texttt{SB}$) and Expressivity ($\texttt{EXP}$), for comparing across various models, and extend the analysis of $\texttt{SB}$ to generative and multiclass-classification tasks. We show that $\texttt{QBET}$ enables efficient pre-screening of promising model variants obviating the need to execute complete training pipelines. In evaluations on transformer-based classification and generative tasks we employ a total of $18$ qubits for embeddings ($6$ qubits each for query, key, and value). We identify scenarios in which quantum self-attention variants surpass their classical counterparts by ranking the respective models according to the $\texttt{SB}$ metric and comparing their relative performance.
- Abstract（参考訳）: 量子機械学習モデルには原則化された設計ガイドラインが欠如しており、効率的な構成を見つけるためには、エンコーディング、量子回路設計、初期化戦略など、数多くの選択肢にわたるリソース集約的なトレーニングが必要となることが多い。
この課題に対処するため、量子、古典、ハイブリッドトランスフォーマーアーキテクチャを評価するためのフレームワークであるQuantum Bias-Expressivity Toolbox ("\texttt{QBET}$") を開発した。
本ツールボックスでは,Simplicity Bias(\texttt{SB}$)とExpressivity(\texttt{EXP}$)のさまざまなモデルを比較するためのリーンメトリクスを導入し,生成および多クラス分類タスクに対して$\textt{SB}$の分析を拡張する。
$\texttt{QBET}$は、有望なモデルバリアントの効率的な事前スクリーニングを可能にし、完全なトレーニングパイプラインを実行する必要がなくなることを示す。
トランスフォーマーベースの分類と生成タスクの評価では、埋め込み(クエリ、キー、値それぞれ6ドルキュービット)に合計18ドルキュービットを使用します。
量子自己アテンションの変種が古典的な変種を上回るシナリオを、 $\texttt{SB}$ の計量に従って各モデルにランク付けし、それらの相対的な性能を比較することによって特定する。
関連論文リスト
- 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) - HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。
HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。
様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
論文 参考訳（メタデータ） (2025-04-03T16:13:34Z) - Single-Qudit Quantum Neural Networks for Multiclass Classification [0.0]
本稿では,マルチクラス分類のための単一量子ニューラルネットワークを提案する。
我々の設計では$d$次元のユニタリ演算子を使用し、$d$はクラスの数に対応する。
我々は,MNISTデータセットとEMNISTデータセットを用いたモデルの評価を行い,競合精度を実証した。
論文 参考訳（メタデータ） (2025-03-12T11:12:05Z) - Contextual Quantum Neural Networks for Stock Price Prediction [0.0]
我々は、コンテキスト量子ニューラルネットワークを用いて、複数の資産の株価を予測するために量子機械学習(QML)を適用した。
このアーキテクチャは量子ファイナンスにおいて最初のものであり、優れた予測力と計算効率を提供する。
我々の発見は、金融アプリケーションにおけるQMLの変革の可能性を強調し、より先進的でリソース効率のよい量子アルゴリズムの道を開いた。
論文 参考訳（メタデータ） (2025-02-26T22:39:23Z) - $ζ$-QVAE: A Quantum Variational Autoencoder utilizing Regularized Mixed-state Latent Representations [1.0687104237121408]
量子コンピューティングにおける大きな課題は、量子ハードウェアリソースが不足しているため、大規模な実世界のデータセットに適用することである。
古典的VAEのすべての機能を含む完全量子フレームワークである$zeta$-QVAEを提示する。
我々の結果は、$zeta$-QVAEが潜在空間の容量をよりよく活用する表現を学習していることを示している。
論文 参考訳（メタデータ） (2024-02-27T18:37:01Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - QNet: A Quantum-native Sequence Encoder Architecture [2.8099769011264586]
この研究は、量子コンピュータ上で最小の量子ビットを用いて完全に推論する新しいシーケンスエンコーダモデルQNetを提案する。
さらに,残差接続によってリンクされた数個のQNetブロックからなる量子古典ハイブリッドモデルResQNetを紹介する。
論文 参考訳（メタデータ） (2022-10-31T12:36:37Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳（メタデータ） (2021-08-03T17:49:09Z) - 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。