Fugu-MT 論文翻訳(概要): Quantitative Universal Approximation for Noisy Quantum Neural Networks

論文の概要: Quantitative Universal Approximation for Noisy Quantum Neural Networks

arxiv url: http://arxiv.org/abs/2604.02064v1
Date: Thu, 02 Apr 2026 13:58:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-03 14:21:10.838175
Title: Quantitative Universal Approximation for Noisy Quantum Neural Networks
Title（参考訳）: 雑音量子ニューラルネットワークの定量的普遍近似
Authors: Lukas Gonon, Antoine Jacquier, Marcel Mordarski,
Abstract要約: ここでは、ノイズ量子ニューラルネットワークに対する正確な量的誤差境界を持つ普遍近似定理を提案する。我々は、目標関数が期待として与えられることが多い量的ファイナンスへのアプリケーションに焦点を当てる。
参考スコア（独自算出の注目度）: 8.888030516553878
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We provide here a universal approximation theorem with precise quantitative error bounds for noisy quantum neural networks. We focus on applications to Quantitative Finance, where target functions are often given as expectations. We further provide a detailed numerical analysis, testing our results on actual noisy quantum hardware.
Abstract（参考訳）: ここでは、ノイズ量子ニューラルネットワークに対する正確な量的誤差境界を持つ普遍近似定理を提案する。我々は、目標関数が期待として与えられることが多い量的ファイナンスへのアプリケーションに焦点を当てる。さらに、実際のノイズの多い量子ハードウェア上で結果を検証し、詳細な数値解析を行う。

関連論文リスト

Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文参考訳（メタデータ） (2024-11-13T12:03:39Z)
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)
Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文参考訳（メタデータ） (2024-01-31T01:02:16Z)
Distributed Quantum Neural Networks via Partitioned Features Encoding [0.0]
量子ニューラルネットワークは、短期量子コンピューティングにおける有望な応用であると期待されている。本稿では,複数の小回路を用いて大回路の出力を近似して予測する。提案手法は,大規模データセットの高精度な予測だけでなく,各量子ニューラルネットワークのハードウェア要件も低減した。
論文参考訳（メタデータ） (2023-12-21T08:21:44Z)
Randomness-enhanced expressivity of quantum neural networks [7.7991930692137466]
本稿では,量子回路にランダム性を組み込むことにより,QNNの表現性を高める新しい手法を提案する。我々は、Uhlmannの定理を用いて、任意の対象作用素を正確に近似することができることを証明した。量子機械学習に広く応用できる複数の学習タスクに対してランダム性を導入することにより,QNNの表現性が向上することを発見した。
論文参考訳（メタデータ） (2023-08-09T07:17:13Z)
Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文参考訳（メタデータ） (2023-04-06T22:05:21Z)
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)
Exponentially Many Local Minima in Quantum Neural Networks [9.442139459221785]
量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークと同じような約束のため、重要な量子アプリケーションである。我々は,QNNの損失関数のランドスケープを定量的に調査し,トレーニング用に単純だが極めて難しいQNNインスタンスのクラスを同定する。我々は、我々の構成が、典型的な勾配ベースの回路で実際に難しい事例となることを実証的に確認する。
論文参考訳（メタデータ） (2021-10-06T03:23:44Z)
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。