論文の概要: NNQA: Neural-Native Quantum Arithmetic for End-to-End Polynomial Synthesis

• arxiv url: http://arxiv.org/abs/2603.27297v1
• Date: Sat, 28 Mar 2026 15:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.886349
• Title: NNQA: Neural-Native Quantum Arithmetic for End-to-End Polynomial Synthesis
• Title（参考訳）: NNQA: 終端多項式合成のためのニューラルNative Quantum Arithmetic
• Authors: Ziqing Guo, Jie Li, Yong Chen, Ziwen Pan,
• Abstract要約: 我々は、古典的に学習された非線形表現を、ネイティブなユニタリブロックからなる正確な量子算術にコンパイルするNative Quantum Arithmetic (NNQA)を紹介した。 IBM Quantum Heron3およびIonQ Forteプロセッサの実証的な性能は、主にデバイスノイズによって制限される。
• 参考スコア（独自算出の注目度）: 7.538781549292345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid classical quantum learning is often bottlenecked by communication overhead and approximation error from generic variational ansatzes. In this study, we introduce Neural Native Quantum Arithmetic (NNQA), which compiles classically learned nonlinear representations into precise quantum arithmetic composed of native unitary blocks. Theoretically, we prove that the universal approximation of quantum polynomial arithmetic can be realized by transforming a classical neural network into a quantum circuit, with the resulting error arising solely from measurement shot noise, thereby extending classical operator-level estimation guarantees into the quantum regime. Empirical validation on IBM Quantum Heron3 and IonQ Forte processors shows performance limited primarily by device noise without variational fine tuning: we achieve over 99.5% accuracy for polynomials up to degree 35 and demonstrate scalability on IonQ hardware up to 36 qubits and circuit depths of 70, reaching a negligible RMSE of 0.005. Overall, NNQA establishes a new paradigm of synthesizing quantum arithmetic for native quantum computation.
• Abstract（参考訳）: ハイブリッド古典量子学習は、一般的な変分アンサーゼによる通信オーバーヘッドと近似誤差によってボトルネックとなることが多い。 本研究では、古典的に学習された非線形表現を、ネイティブなユニタリブロックからなる正確な量子算術にコンパイルするニューラルネイティブ量子算術(NNQA)を紹介する。 理論的には、古典的ニューラルネットワークを量子回路に変換することで、量子多項式算術の普遍的な近似が実現可能であることを証明し、その結果の誤差は測定ショットノイズのみから生じ、古典的演算子レベルの推定保証を量子状態に拡張する。 IBM Quantum Heron3とIonQ Forteプロセッサの実証検証では、主にデバイスノイズによって、微調整なしでの動作が制限されている。我々は、多項式の99.5%以上の精度を35度まで達成し、IonQハードウェアのスケーラビリティを最大36キュービット、回路深度は70まで向上し、無視可能なRMSEは0.005に達した。 全体的なNNQAは、ネイティブ量子計算のための量子算術を合成する新しいパラダイムを確立している。

関連論文リスト

• Simulating high-accuracy nuclear motion Hamiltonians in discrete variable representation using Walsh-Hadamard QROM with fault-tolerant quantum computers [0.0]
  本稿では,フォールトトレラント量子コンピュータ上での弁証的ハミルトニアンのシミュレートのための量子アルゴリズムを提案する。 水の公約スペクトルを計算するのに必要な量子体積は最大105ドルまで削減できる。
  論文  参考訳（メタデータ） (2025-10-21T20:31:12Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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 Neuron with Separable-State Encoding [0.0]
  現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。 マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。 シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
  論文  参考訳（メタデータ） (2022-02-16T19:26:23Z)
• Variational Quantum-Neural Hybrid Error Mitigation [6.555128824546528]
  量子エラー軽減(QEM)は、量子コンピュータ上で信頼性の高い結果を得るために重要である。 量子-ニューラルハイブリッド固有解法 (VQNHE) アルゴリズムは, 本質的にはノイズ耐性であり, ユニークなQEM容量を持つことを示す。
  論文  参考訳（メタデータ） (2021-12-20T08:07:58Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)

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。