論文の概要: Scaling Laws for Hybrid Quantum Neural Networks: Depth, Width, and Quantum-Centric Diagnostics

• arxiv url: http://arxiv.org/abs/2604.06007v1
• Date: Tue, 07 Apr 2026 15:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.914175
• Title: Scaling Laws for Hybrid Quantum Neural Networks: Depth, Width, and Quantum-Centric Diagnostics
• Title（参考訳）: ハイブリッド量子ニューラルネットワークのスケーリング法則:深さ,幅,量子中心診断
• Authors: Danil Vyskubov, Kirill Vyskubov, Nouhaila Innan, Muhammad Shafique,
• Abstract要約: ハイブリッド量子ニューラルネットワークは、分類のためにますます研究されている。 回路深度と量子ビット数によるその性能と量子的挙動のスケールは、まだ不明である。 本稿では、2つの軸に沿ったハイブリッド量子古典型分類器の制御スケーリングについて述べる。
• 参考スコア（独自算出の注目度）: 2.2133667529581933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid quantum neural networks are increasingly explored for classification, yet it remains unclear how their performance and quantum behavior scale with circuit depth and qubit count. We present a controlled scaling study of hybrid quantum-classical classifiers along two axes: (1) increasing the number of quantum layers L at fixed qubits Q, and (2) increasing the number of qubits Q at fixed depth L. Across multiple datasets, we evaluate predictive performance using Accuracy, PR-AUC, Precision, Recall, and F1, and track quantum-specific metrics (QCE, EEE, QGN) to characterize how quantum properties evolve under scaling. Our results summarize scaling trends, saturation regimes, and dataset-dependent sensitivity, and further analyze how quantum metrics relate to predictive performance. This study provides practical guidance for selecting (Q,L) in hybrid QNN classifiers and establishes a consistent evaluation protocol for scaling analysis.
• Abstract（参考訳）: ハイブリッド量子ニューラルネットワークは、分類のためにますます研究されているが、その性能と量子挙動が、回路深さと量子ビット数でどのようにスケールされているかは定かではない。 我々は,(1)固定量子ビットQにおける量子層数の増加,(2)固定深度Lにおける量子ビットQの増大,2)複数のデータセットにわたって,精度,PR-AUC,精度,リコール,F1を用いて予測性能を評価し,量子特性のスケーリング中にどのように進化するかをトラックする。 以上の結果から,スケーリングの傾向,飽和状態,データセット依存感度を概説し,量子メトリクスが予測性能にどのように関係しているかを解析した。 本研究は、ハイブリッドQNN分類器における(Q,L)選択のための実用的なガイダンスを提供し、スケール分析のための一貫した評価プロトコルを確立する。

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)
• Adapting Quantum Machine Learning for Energy Dissociation of Bonds [6.247064060111601]
  ボンドエネルギー予測のための量子および古典的機械学習モデルの比較ベンチマークを示す。 トップパフォーマンス量子モデル(QCNN, QRF)は、古典的なアンサンブルやディープネットワークの予測精度と堅牢性に一致する。
  論文  参考訳（メタデータ） (2025-10-08T01:32:26Z)
• 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)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• Quantum-data-driven dynamical transition in quantum learning [7.3025867148089745]
  我々は、目標値とデータがトレーニングの収束を決定する量子データ駆動の動的遷移を明らかにする。 一般化されたハールアンサンブルによる遷移を説明する非摂動理論を提供する。 本研究は,QNNトレーニングにおける収束を加速するコスト関数の構築に関するガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-10-02T18:58:02Z)
• 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)
• A Comparative Analysis of Hybrid-Quantum Classical Neural Networks [5.247197295547863]
  本稿では、画像分類のための異なるハイブリッド量子古典機械学習アルゴリズム間の広範な比較分析を行う。 この精度に基づくハイブリッドモデルの性能比較により、回路の量子層数と量子ビット数の変化との相関関係におけるハイブリッド量子古典収束の理解が得られる。
  論文  参考訳（メタデータ） (2024-02-16T09:59:44Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)

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。