論文の概要: Benchmarking Encoding Families in Quantum Neural Networks Under Fixed Circuit Area for Frequency Spectrum and Trainability

• arxiv url: http://arxiv.org/abs/2603.27671v1
• Date: Sun, 29 Mar 2026 12:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.066317
• Title: Benchmarking Encoding Families in Quantum Neural Networks Under Fixed Circuit Area for Frequency Spectrum and Trainability
• Title（参考訳）: 周波数スペクトルとトレーサビリティの固定回路領域における量子ニューラルネットワークにおける周波数のベンチマーク
• Authors: Martyna Czuba, Patrick Holzer, Hein Zay Yar Oo,
• Abstract要約: 量子ネットワーク(QNN)は、量子コンピューティングの原理を機械学習に統合するための有望なフレームワークを提供する。 本稿では,QNNのトレーニング性および近似特性を,合成および実世界のデータセット間のベンチマークおよび符号化戦略により検討する。 周波数スペクトルが目標関数の複雑さに合わせて調整されている場合、QNNは可能な限りコンパクトである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Neural Networks (QNNs) offer a promising framework for integrating quantum computing principles into machine learning, yet their practical capabilities and limitations remain insufficiently studied. In this work, we systematically investigate the trainability and approximation properties of QNNs by benchmarking diverse circuit architectures and encoding strategies across synthetic and real-world datasets. We analyze several ansätze, including Hamming, binary, exponential, ternary, turnpike and Golomb, by evaluating their ability to learn synthetic data modeled as random finite Fourier series. To assess real-world applicability, we further evaluate QNNs on two time-series classification tasks: a Fischertechnik pneumatic leak detection dataset and the publicly available NASA bearing fault dataset. Our experiments show that while broader frequency spectra can theoretically enhance expressivity, practical trainability is strongly influenced by architectural factors such as qubit count and circuit depth. Notably, we find that QNNs perform best when the frequency spectrum is tailored to the target function's complexity but remains as compact as possible. Moreover, architectures with identical frequency spectra can differ in trainability, with configurations using more qubits and fewer layers generally performing better, except in the single-layer case. These findings provide guidelines for selecting QNN ansätze and offer new insights into the interplay between expressivity and trainability in quantum machine learning.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、量子コンピューティングの原理を機械学習に統合するための有望なフレームワークを提供する。 本研究では,QNNのトレーニング性および近似特性を,多種多様な回路アーキテクチャのベンチマークと,合成および実世界のデータセット間の符号化戦略により体系的に検討する。 ランダム有限フーリエ級数としてモデル化された合成データを学習する能力を評価することにより、ハミング、二進数、指数数、三進数、ターンパイク、ゴロンブなどのアンサーゼを分析する。 実世界の適用性を評価するため、Fischertechnikの空気漏れ検出データセットと、NASAのフォールトデータセットの2つの時系列分類タスクにおいて、QNNをさらに評価する。 実験により, 周波数スペクトルは理論的に表現性を高めることができるが, 実際のトレーニング容易性は, 量子ビット数や回路深さなどのアーキテクチャ的要因に強く影響されていることがわかった。 特に、QNNは、周波数スペクトルがターゲット関数の複雑さに合わせて調整されるが、可能な限りコンパクトである場合に最もよく機能する。 さらに、同じ周波数スペクトルを持つアーキテクチャは、トレーニング容易性が異なる場合がある。 これらの発見は、QNNアンセッツェを選択するためのガイドラインを提供し、量子機械学習における表現性とトレーニング容易性の間の相互作用に関する新たな洞察を提供する。

関連論文リスト

• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• Enhancing Expressivity of Quantum Neural Networks Based on the SWAP test [0.0]
  SWAPテスト回路のみから構築された量子ニューラルネットワーク(QNN)。 振幅符号化の下で2次活性化関数を持つ古典的2層フィードフォワードネットワークの数学的等価性について論じる。 本稿では,製品層を有する古典的ニューラルネットワークを効果的に実装する一般化SWAPテスト回路を用いた回路修正を提案する。
  論文  参考訳（メタデータ） (2025-06-20T12:05:31Z)
• 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)
• Parallel Proportional Fusion of Spiking Quantum Neural Network for Optimizing Image Classification [10.069224006497162]
  量子・スパイキングニューラルネットワーク(PPF-QSNN)の並列比例融合(Parallel Proportional Fusion of Quantum and Spiking Neural Networks)と呼ばれる新しいアーキテクチャを導入する。 提案したPPF-QSNNは、既存のスパイクニューラルネットワークと、精度、損失、ロバストネスといったメトリクスにわたるシリアル量子ニューラルネットワークの両方より優れている。 本研究は、人工知能計算における量子優位性の発展と応用の基盤となるものである。
  論文  参考訳（メタデータ） (2024-04-01T10:35:35Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Power and limitations of single-qubit native quantum neural networks [5.526775342940154]
  量子ニューラルネットワーク(QNN)は、機械学習、化学、最適化の応用を確立するための主要な戦略として登場した。 量子ニューラルネットワークのデータ再アップロードの表現能力に関する理論的枠組みを定式化する。
  論文  参考訳（メタデータ） (2022-05-16T17:58:27Z)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)

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。