論文の概要: Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

• arxiv url: http://arxiv.org/abs/2603.28995v1
• Date: Mon, 30 Mar 2026 20:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.858026
• Title: Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images
• Title（参考訳）: 溶接画像の産業的欠陥分類のためのハイブリッド量子古典AI
• Authors: Akshaya Srinivasan, Xiaoyin Cheng, Jianming Yi, Alexander Geng, Desislava Ivanova, Andreas Weinmann, Ali Moghiseh,
• Abstract要約: アルミニウム溶接画像の欠陥を分類するための2つのハイブリッド量子古典的手法について検討する。 畳み込みニューラルネットワークを用いて溶接画像からコンパクトかつ情報的特徴ベクトルを抽出する。 以上の結果から,CNNモデルが頑健な性能を示す一方で,ハイブリッド量子古典モデルが競争力を発揮することが示された。
• 参考スコア（独自算出の注目度）: 34.06478657370088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid quantum-classical machine learning offers a promising direction for advancing automated quality control in industrial settings. In this study, we investigate two hybrid quantum-classical approaches for classifying defects in aluminium TIG welding images and benchmarking their performance against a conventional deep learning model. A convolutional neural network is used to extract compact and informative feature vectors from weld images, effectively reducing the higher-dimensional pixel space to a lower-dimensional feature space. Our first quantum approach encodes these features into quantum states using a parameterized quantum feature map composed of rotation and entangling gates. We compute a quantum kernel matrix from the inner products of these states, defining a linear system in a higher-dimensional Hilbert space corresponding to the support vector machine (SVM) optimization problem and solving it using a Variational Quantum Linear Solver (VQLS). We also examine the effect of the quantum kernel condition number on classification performance. In our second method, we apply angle encoding to the extracted features in a variational quantum circuit and use a classical optimizer for model training. Both quantum models are tested on binary and multiclass classification tasks and the performance is compared with the classical CNN model. Our results show that while the CNN model demonstrates robust performance, hybrid quantum-classical models perform competitively. This highlights the potential of hybrid quantum-classical approaches for near-term real-world applications in industrial defect detection and quality assurance.
• Abstract（参考訳）: ハイブリッド量子古典機械学習は、産業環境における自動品質制御の進歩に有望な方向を提供する。 本研究では、アルミニウムTIG溶接画像の欠陥を分類し、従来のディープラーニングモデルと比較して性能をベンチマークする2つのハイブリッド量子古典的手法について検討する。 畳み込みニューラルネットワークを用いて溶接画像からコンパクトかつ情報的特徴ベクトルを抽出し、高次元画素空間を低次元特徴空間に効果的に還元する。 我々の最初の量子アプローチは、回転と絡み合うゲートからなるパラメータ化量子特徴写像を用いて、これらの特徴を量子状態に符号化する。 これらの状態の内積から量子カーネル行列を計算し、支持ベクトルマシン(SVM)最適化問題に対応する高次元ヒルベルト空間における線形系を定義し、変分量子線形ソルバー(VQLS)を用いてそれを解く。 また、量子カーネル条件数が分類性能に及ぼす影響についても検討する。 第2の方法では, 変分量子回路の抽出した特徴に角度符号化を適用し, モデルトレーニングに古典的オプティマイザを用いる。 どちらの量子モデルもバイナリおよびマルチクラス分類タスクでテストされ、その性能は古典的なCNNモデルと比較される。 以上の結果から,CNNモデルが頑健な性能を示す一方で,ハイブリッド量子古典モデルが競争力を発揮することが示された。 このことは、工業的欠陥検出と品質保証における短期的実世界の応用に対するハイブリッド量子古典的アプローチの可能性を強調している。

関連論文リスト

• Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
  本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。 この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
  論文  参考訳（メタデータ） (2025-11-29T17:47:14Z)
• Hybrid Quantum-Classical Selective State Space Artificial Intelligence [1.4896509623302832]
  時間列分類問題に対するMambaアーキテクチャのためのHybrid Quantum Classical selection機構を提案する。 提案手法では,変分量子回路(VQC)を量子ゲーティングモジュールとして利用し,特徴抽出を強化し,無関係情報の抑圧を改善する。 大規模言語モデル(LLM)への量子サブルーチンの導入が一般化能力,表現性,パラメータ効率に与える影響を解析する。
  論文  参考訳（メタデータ） (2025-11-11T15:26:57Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。 オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。 これらの特徴を5量子ビット量子状態にマッピングする。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)

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。