論文の概要: Soft-Quantum Algorithms

• arxiv url: http://arxiv.org/abs/2604.06523v1
• Date: Tue, 07 Apr 2026 23:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.269395
• Title: Soft-Quantum Algorithms
• Title（参考訳）: ソフト量子アルゴリズム
• Authors: Basil Kyriacou, Mo Kordzanganeh, Maniraman Periyasamy, Alexey Melnikov,
• Abstract要約: 量子ニューラルネットワークとしても知られる変分量子回路は、データとトレーニング可能なパラメータをゲートベースの演算に埋め込む。 本稿では,損失関数に付加される単一正規化項を通じて一元性を維持しつつ,行列要素を直接訓練する手法を提案する。 2段階のプロセスは4分以内でトレーニングされた変分回路を生成するが、直接回路訓練には2時間以上かかる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum operations on pure states can be fully represented by unitary matrices. Variational quantum circuits, also known as quantum neural networks, embed data and trainable parameters into gate-based operations and optimize the parameters via gradient descent. The high cost of training and low fidelity of current quantum devices, however, restricts much of quantum machine learning to classical simulation. For few-qubit problems with large datasets, training the matrix elements directly, as is done with weight matrices in classical neural networks, can be faster than decomposing data and parameters into gates. We propose a method that trains matrices directly while maintaining unitarity through a single regularization term added to the loss function. A second training step, circuit alignment, then recovers a gate-based architecture from the resulting soft-unitary. On a five-qubit supervised classification task with 1000 datapoints, this two-step process produces a trained variational circuit in under four minutes, compared to over two hours for direct circuit training, while achieving lower binary cross-entropy loss. In a second experiment, soft-unitaries are embedded in a hybrid quantum-classical network for a reinforcement learning cartpole task, where the hybrid agent outperforms a purely classical baseline of comparable size.
• Abstract（参考訳）: 純粋状態の量子演算はユニタリ行列で完全に表すことができる。 量子ニューラルネットワークとしても知られる変分量子回路は、データとトレーニング可能なパラメータをゲートベースの演算に埋め込み、勾配降下によってパラメータを最適化する。 しかし、トレーニングのコストが高く、現在の量子デバイスの忠実度が低いことは、量子機械学習の多くを古典的なシミュレーションに制限している。 大規模データセットによる数量子問題では、行列要素を直接トレーニングし、古典的ニューラルネットワークの重み行列で行うように、データやパラメータをゲートに分解するよりも高速である。 本稿では,損失関数に追加した単一正規化項を用いて,ユニタリティを維持しながら行列を直接訓練する手法を提案する。 第2のトレーニングステップである回路アライメントは、結果として生じるソフトユニタリからゲートベースのアーキテクチャを復元する。 1000個のデータポイントを持つ5キュービットの教師付き分類タスクでは、この2ステップのプロセスでは、トレーニングされた変動回路を4分以内で生成する。 第2の実験では、ソフト・ユニタリは強化学習用カートポールタスクのためのハイブリッド量子古典的ネットワークに埋め込まれ、ハイブリッド・エージェントは同等の大きさの純粋に古典的なベースラインを上回っている。

関連論文リスト

• Quantum-Inspired Algorithms beyond Unitary Circuits: the Laplace Transform [0.0]
  量子インスパイアされたアルゴリズムは、古典的な最先端の手法よりも大幅にスピードアップできる。 離散ラプラス変換(非単項非周期変換)を計算するためのテンソル-ネットワークアプローチを導入する。 我々は最大$N=230$の入力データポイントと最大260$の出力データポイントのシミュレーションを実証し、ボンド次元が実行時と精度をどのように制御するかを定量化する。
  論文  参考訳（メタデータ） (2026-01-25T07:19:56Z)
• Quantum Sinusoidal Neural Networks [0.6021787236982659]
  我々は正弦波活性化関数を持つニューラルネットワークの量子バージョンを設計する。 私たちはそのパフォーマンスを古典的なケースと比較する。 量子正弦回路の周辺に量子最適化アルゴリズムを構築する。
  論文  参考訳（メタデータ） (2024-10-29T13:06:46Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Explainable quantum regression algorithm with encoded data structure [0.0]
  本稿では,最初の解釈可能な量子回帰アルゴリズムを構築する。 符号化されたデータ構造は回帰マップの計算の時間的複雑さを減少させる。 我々は、中性冷原子とイオンに実装されたマルチキュービットゲートを持つ潜在的な量子ユーティリティを想定する。
  論文  参考訳（メタデータ） (2023-07-07T00:30:16Z)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Hybrid quantum-classical classifier based on tensor network and variational quantum circuit [0.0]
  本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。 低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-30T09:43:59Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。