論文の概要: Non-Unitary Quantum Machine Learning: Fisher Efficiency Transitions from Distributed Quantum Expressivity

• arxiv url: http://arxiv.org/abs/2603.27377v1
• Date: Sat, 28 Mar 2026 19:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.929075
• Title: Non-Unitary Quantum Machine Learning: Fisher Efficiency Transitions from Distributed Quantum Expressivity
• Title（参考訳）: 非一意量子機械学習:分散量子表現性からの漁業効率遷移
• Authors: Apoorv Kumar Masta, Srinjoy Ganguly, Shalini Devendrababu, Farina Riaz, Rajib Rana, Björn Schuller,
• Abstract要約: 量子機械学習は、古典的なアプローチに比べて実用上の優位性について精査されている。 本研究は,Linear Combination of Unitariesフレームワークを用いて実装された,非ユニタリ量子機械学習の体系的評価を示す。
• 参考スコア（独自算出の注目度）: 0.24600210411576884
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Quantum machine learning has faced growing scrutiny over its practical advantages compared to classical approaches, particularly following dequantization results and large scale benchmarking studies that have challenged earlier optimistic claims. This work presents a systematic empirical evaluation of non unitary quantum machine learning implemented via the Linear Combination of Unitaries framework within hybrid quantum classical neural networks. Across more than 570 experiments spanning four domains digit classification MNIST, agricultural disease detection PlantVillage, molecular property regression QM9, and medical histopathology PathMNIST non unitary quantum layers are benchmarked against structurally identical unitary baselines. Consistent performance improvements are observed across all domains, with gains ranging from +0.2 percentage to +5.8 percentage depending on dataset complexity and qubit count. A particularly notable finding is a Fisher efficiency transition in medical imaging tasks, where parameter efficiency shifts from negative to positive as qubit count increases from 10 to 12, indicating a threshold dependent efficiency regime. Additionally, non unitary IQP circuit variants reach or exceed classical baselines at 10 qubits on CIFAR 10, demonstrating that circuits with established complexity theoretic hardness guarantees remain compatible with competitive learning performance under the LCU framework. These results offer a large scale, evidence based characterisation of the conditions under which non unitary QML yields measurable empirical benefits in near term settings.
• Abstract（参考訳）: 量子機械学習は、古典的なアプローチ、特に以前の楽観的な主張に異議を唱える大規模なベンチマーク研究の後に、実用上の優位性について精査されている。 本研究は、ハイブリッド量子古典ニューラルネットワークにおいて、線形結合型ユニタリーフレームワークを介して実装された非ユニタリー量子機械学習の系統的経験的評価を示す。 4つのドメインにまたがるMNIST、農業病検出プラントVillage、分子特性レグレッションQM9、医療組織学の量子層PathMNISTを含む570以上の実験を、構造的に同一のユニタリベースラインに対してベンチマークした。 一貫性のあるパフォーマンス改善は、データセットの複雑さとキュービット数によって+0.2パーセントから+5.8パーセントまで、すべての領域で観察される。 特に顕著な発見は、医学画像タスクにおけるフィッシャー効率の遷移であり、パラメータ効率は10から12に増加するにつれて負から正に変化する。 さらに、非ユニタリIQP回路の変種は、CIFAR 10の10 qubitsで古典的ベースラインに到達または超え、確立された複雑性理論のハードネスを保証する回路がLCUフレームワークの下での競合学習性能と相容れないことを示す。 これらの結果は、非ユニタリQMLが短期的設定において測定可能な経験的利点をもたらす条件の大規模かつ証拠に基づく特徴付けを提供する。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Hybrid Quantum-Classical Policy Gradient for Adaptive Control of Cyber-Physical Systems: A Comparative Study of VQC vs. MLP [0.0]
  この研究は、古典的なベースラインとして多層パーセプトロン(MLP)と量子対向としてパラメータ化可変量子回路(VQC)を用いた。 実験の結果、古典的な最適政策収束は498.7 +/- 3.2の平均的なリターンで達成された。 VQCは14.6 +/-4.8のリターンを持つ限られた学習能力を示し、主に回路深度と量子ビット接続に制約された。
  論文  参考訳（メタデータ） (2025-10-07T15:09:29Z)
• Quantum-Accelerated Neural Imputation with Large Language Models (LLMs) [0.0]
  本稿では、浅い量子回路をLLMベースの計算アーキテクチャに統合する新しいフレームワークであるQuantum-UnIMPを紹介する。 ベンチマーク混合型データセットを用いた実験により, 数値特徴量(RMSE)の計算誤差を最大15.2%削減し, カテゴリー的特徴量(F1-Score)の分類精度を, 最先端の古典的手法とLLMベースの手法と比較して8.7%向上した。
  論文  参考訳（メタデータ） (2025-07-11T02:00:06Z)
• 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)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Quantum-Enhanced Attention Mechanism in NLP: A Hybrid Classical-Quantum Approach [0.0]
  本稿では,量子化されたアテンション機構を標準の古典的アーキテクチャに組み込んだ,古典量子変換器のハイブリッドモデルを提案する。 様々なNLPベンチマークにおいて,このアプローチの有効性を実証し,効率と表現能力の両面で改善したことを示す。
  論文  参考訳（メタデータ） (2025-01-26T18:29:06Z)
• KACQ-DCNN: Uncertainty-Aware Interpretable Kolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network for Heart Disease Detection [1.927711700724334]
  心不全は世界的な死亡の原因であり、診断戦略の改善が必要である。 我々はKolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network (KACQ-DCNN)を提案する。 私たちのモデルは、古典的および12の量子ニューラルネットワークを含む37のベンチマークモデルより優れています。
  論文  参考訳（メタデータ） (2024-10-09T21:26:49Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)

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。