Fugu-MT 論文翻訳(概要): Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks

論文の概要: Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks

arxiv url: http://arxiv.org/abs/2604.06135v1
Date: Tue, 07 Apr 2026 17:44:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.974251
Title: Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks
Title（参考訳）: ショットベースの量子符号化:量子ニューラルネットワークのためのデータローディングパラダイム
Authors: Basil Kyriacou, Viktoria Patapovich, Maniraman Periyasamy, Alexey Melnikov,
Abstract要約: 効率的なデータローディングは、短期的な量子機械学習のボトルネックであり続けている。ハードウェアのネイティブリソースを分散するデータ埋め込み戦略であるShot-Based Quantum Coherence(SBQE)を紹介した。 SBQEは、重みが量子回路によって実現される多層パーセプトロンと構造的に等価であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Efficient data loading remains a bottleneck for near-term quantum machine-learning. Existing schemes (angle, amplitude, and basis encoding) either underuse the exponential Hilbert-space capacity or require circuit depths that exceed the coherence budgets of noisy intermediate-scale quantum hardware. We introduce Shot-Based Quantum Encoding (SBQE), a data embedding strategy that distributes the hardware's native resource, shots, according to a data-dependent classical distribution over multiple initial quantum states. By treating the shot counts as a learnable degree of freedom, SBQE produces a mixed-state representation whose expectation values are linear in the classical probabilities and can therefore be composed with non-linear activation functions. We show that SBQE is structurally equivalent to a multilayer perceptron whose weights are realised by quantum circuits, and we describe a hardware-compatible implementation protocol. Benchmarks on Fashion MNIST and Semeion handwritten digits, with ten independent initialisations per model, show that SBQE achieves 89.1% +/- 0.9% test accuracy on Semeion (reducing error by 5.3% relative to amplitude encoding and matching a width-matched classical network) and 80.95% +/- 0.10% on Fashion MNIST (exceeding amplitude encoding by +2.0% and a linear multilayer perceptron by +1.3%), all without any data-encoding gates.
Abstract（参考訳）: 効率的なデータローディングは、短期的な量子機械学習のボトルネックであり続けている。既存のスキーム(角度、振幅、基底符号化)は指数的ヒルベルト空間の容量を過小評価するか、ノイズの多い中間スケール量子ハードウェアのコヒーレンス予算を超える回路深さを必要とする。ハードウェアのネイティブリソースを分散するデータ埋め込み戦略であるShot-Based Quantum Encoding (SBQE)を紹介する。ショットカウントを学習可能な自由度として扱うことにより、SBQEは古典的確率において期待値が線形であり、したがって非線形活性化関数で構成できる混合状態表現を生成する。 SBQEは、重みが量子回路によって実現される多層パーセプトロンと構造的に等価であることを示し、ハードウェア互換の実装プロトコルについて述べる。 Fashion MNISTとSemeionの手書きディジットのベンチマークでは、モデルごとに10個の独立した初期化がなされており、SBQEは、Semeionの89.1% +/- 0.9%のテスト精度(振幅エンコーディングと幅マッチングされた古典的ネットワークのマッチングに対する誤差が5.3%減少)、Fashion MNISTの80.95% +/- 0.10%(エンコーディングのエンコーディングが+2.0%、線形多層パーセプトロンが+1.3%)を達成した。

関連論文リスト

Qute: Towards Quantum-Native Database [40.35292966418181]
本稿では、量子計算を第一級実行オプションとして扱う量子データベース(Qute)を構想する。実際の量子プロセッサにQuteをデプロイすることで、古典的なベースラインを大規模に上回る結果が得られます。
論文参考訳（メタデータ） (2026-02-16T12:39:46Z)
Fidelity-Preserving Quantum Encoding for Quantum Neural Networks [2.9621136443259872]
既存の符号化方式は、ノイズ中間スケール量子NISQデバイスの限られた量子ビットに高次元画像を適用する際に、空間情報や意味情報を破棄する。本稿では、ほぼロスレスなデータ圧縮と量子符号化を行うフィデリティ保存量子保存フレームワークを提案する。実験の結果、FPQEはMNISTのような単純なデータセットの従来の手法と相容れない性能を示し、より複雑なデータセットの明確な改善を実現している。
論文参考訳（メタデータ） (2025-11-19T11:44:39Z)
Improving GANs by leveraging the quantum noise from real hardware [0.0]
本稿では,GAN(生成逆数ネットワーク)に対する新しいアプローチを提案する。固有量子乱数性とデバイス固有の不完全性は、GAN性能を高める構造的帰納バイアスを与えることができることを示す。
論文参考訳（メタデータ） (2025-07-02T16:56:09Z)
Distributed Quantum Neural Networks on Distributed Photonic Quantum Computing [3.299179876684316]
トレーニング可能なパラメータが$M(M+1)/2$のフォトニック量子ニューラルネットワーク(QNN)は高次元確率分布を生成する。フォトニックQTの精度は95.50% pm 0.84%$で、パラメータは3,292である。フォトニックQTは6-12%の絶対精度で古典的な圧縮技術より優れている。
論文参考訳（メタデータ） (2025-05-13T11:58:45Z)
An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2025-04-13T11:49:53Z)
Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文参考訳（メタデータ） (2024-11-13T23:56:20Z)
Hybrid Quantum-Classical Feature Extraction approach for Image Classification using Autoencoders and Quantum SVMs [0.0]
NISQ時代の量子コンピュータには、ノイズ、スケーラビリティ、読み出し時間、ゲート操作時間などの制限がある。複雑なデータセットが量子機械学習パイプラインの全体的な効率に与える影響を軽減するために、戦略を考案する必要がある。本稿では,ResNet10にインスパイアされた畳み込みオートエンコーダを用いた古典的特徴抽出手法を適用し,データセットの次元性を低減し,意味のある特徴を抽出する。
論文参考訳（メタデータ） (2024-10-24T15:02:05Z)
Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation [5.074765131677166]
本稿では,グラフニューラルネットワーク(GNN)を用いた量子回路の表現可能性推定手法を提案する。我々は、ノイズのないIBM QASMシミュレータから25,000のサンプルと、3つのノイズの多い量子バックエンドから12,000のサンプルからなるデータセットを用いて、GNNモデルの予測能力を実証した。
論文参考訳（メタデータ） (2024-05-13T18:26:55Z)
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)
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)
QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文参考訳（メタデータ） (2022-07-14T12:22:51Z)

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。