論文の概要: Q-PIPE A Practical Quantum Phase Encoding Method
- arxiv url: http://arxiv.org/abs/2604.09869v1
- Date: Fri, 10 Apr 2026 19:59:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.720467
- Title: Q-PIPE A Practical Quantum Phase Encoding Method
- Title（参考訳）: Q-PIPE 実用的な量子位相符号化法
- Authors: Brian García Sarmina, Emmanuel Martínez-Guerrero, Janeth De Anda Gil, Sun Guo-Hua, Dong Shi-Hai,
- Abstract要約: 量子画像処理(QIMP)における大きなハードルは、古典的で高次元の画像データを量子状態に効率的に転送することである。
現在の手法はトレードオフに直面している: 振幅符号化(FRQI)はゲートの複雑さと限られた演算能力において計算コストがかかる一方、基底符号化(NEQR)は画像解像度と強度のビット深度でオーバーヘッドの増大を引き起こす。
Q-PIPEは、連続強度の値を計算基底に効率的にマッピングし、基本ゲートカウントは$O(qN)$ a $O(textlogN)$標準基底エンコーディングよりも改善される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A major hurdle in Quantum Image Processing (QIMP) is efficiently transferring classical, high-dimensional image data into quantum states. Current methods face trade-offs: amplitude encoding (FRQI) is computationally expensive in gate complexity and limited arithmetic capabilities, while basis encoding (NEQR) incurs heavy initialization overhead scaling with image resolution and intensity bit-depth. Frequency-domain approaches further demand complex transformations for basic pixel-wise arithmetic and extensive post-processing to reconstruct pixel information. To address the lack of practical phase encodings, we introduce Q-PIPE (Quantum-Gray Phase Injection for Pixel Encoding). Exploiting the quantum phase kickback mechanism and optimized spatial traversal via a Gray-code sequence, Q-PIPE efficiently maps continuous intensity values into the computational basis with an elementary gate count of $O(qN)$ a $O(\text{log}N)$ improvement over standard basis encoding. Operating directly in the phase domain enables native computation of finite differences without deep arithmetic circuits. Classical readout vulnerabilities, including phase aliasing and spectral leakage, are mitigated by mapping inputs to $[-π, π]$ and introducing a probability threshold equation that scales inversely with the dimension of the spatial register. A proof-of-concept performing Quantum Edge Detection (QED) via directional derivatives demonstrates strong accuracy, yielding exact reconstructions for quantized inputs and low Mean Absolute Error (MAE) for continuous data across multiple benchmark datasets. Ultimately, Q-PIPE establishes a highly parallelizable, NISQ-compatible subroutine that advances quantum computer vision while reducing input/output (I/O) data-loading overhead in broader Quantum Machine Learning (QML) workflows.
- Abstract（参考訳）: 量子画像処理(QIMP)における大きなハードルは、古典的で高次元の画像データを量子状態に効率的に転送することである。
現在の手法はトレードオフに直面している: 振幅符号化(FRQI)はゲートの複雑さと限られた演算能力において計算コストがかかる一方、基底符号化(NEQR)は画像解像度と強度ビット深度で過大な初期化オーバーヘッドスケーリングを発生させる。
周波数領域アプローチは、基本画素演算と広範囲な後処理のための複雑な変換を必要とし、ピクセル情報を再構成する。
Q-PIPE(Quantum-Gray Phase Injection for Pixel Encoding)を導入する。
Q-PIPEは、量子位相キックバック機構とグレーコードシーケンスを介して最適化された空間トラバーサルを実行し、連続強度の値を計算ベースに効率的にマッピングし、基本ゲート数$O(qN)$ aO(\text{log}N)$標準ベースエンコーディングよりも改善する。
位相領域で直接操作することで、深い演算回路を使わずに有限差分をネイティブに計算できる。
位相エイリアスやスペクトルリークを含む古典的な読み出し脆弱性は、入力を$[-π, π]$にマッピングし、空間レジスタの次元と逆スケールする確率しきい値方程式を導入することで緩和される。
方向性微分による量子エッジ検出(QED)の実証では、量子化された入力に対する正確な再構成と、複数のベンチマークデータセットをまたいだ連続データに対する平均絶対誤差(MAE)が示される。
結局のところ、Q-PIPEは、より広範な量子機械学習(QML)ワークフローにおいて、入出力(I/O)データローディングオーバーヘッドを減らしながら、量子コンピュータビジョンを前進させる、高度に並列化可能な、NISQ互換サブルーチンを確立する。
関連論文リスト
- Domain-Aware Quantum Circuit for QML [0.7999703756441755]
本稿では,局所性保存符号化と絡み合いを導出するために,画像先行情報を利用したドメイン対応量子回路(DAQC)を提案する。
設計ではインターリーブされたエンコード-トレインサイクルを採用しており、隣接するピクセルをホストするキュービット間で絡み合いがデバイス接続に合わせて適用される。
MNIST, FashionMentangle, PneumoniaMNISTデータセット上でDAQCを評価する。
論文 参考訳（メタデータ） (2025-12-19T17:02:58Z) - Fidelity-Preserving Quantum Encoding for Quantum Neural Networks [2.9621136443259872]
既存の符号化方式は、ノイズ中間スケール量子NISQデバイスの限られた量子ビットに高次元画像を適用する際に、空間情報や意味情報を破棄する。
本稿では、ほぼロスレスなデータ圧縮と量子符号化を行うフィデリティ保存量子保存フレームワークを提案する。
実験の結果、FPQEはMNISTのような単純なデータセットの従来の手法と相容れない性能を示し、より複雑なデータセットの明確な改善を実現している。
論文 参考訳（メタデータ） (2025-11-19T11:44:39Z) - Quantum-Efficient Convolution through Sparse Matrix Encoding and Low-Depth Inner Product Circuits [0.0]
本稿では、畳み込み積を構造化行列乗算として再構成する資源効率の量子アルゴリズムを提案する。
我々は、最適化されたキー値QRAM状態符号化を用いてスパース入力パッチを作成する量子フレームワークを構築する。
我々のアーキテクチャは、一般化されたSWAP回路を用いて、複数のフィルタにまたがるバッチ畳み込みをサポートする。
論文 参考訳（メタデータ） (2025-07-25T20:08:12Z) - Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。
このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
論文 参考訳（メタデータ） (2025-05-28T16:50:05Z) - A Quantum Range-Doppler Algorithm for Synthetic Aperture Radar Image Formation [47.1482540145286]
一般参照関数は、多くのSAR集中アルゴリズムにおいて重要な要素であり、量子ゲートにどのようにマッピングできるかを示す。
量子レンジ・ドップラーアルゴリズムのコアは計算複雑性が$O(N)$であり、従来のものより小さいことが分かる。
論文 参考訳（メタデータ） (2025-04-29T14:24:23Z) - An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$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) - Qubit-efficient Variational Quantum Algorithms for Image Segmentation [4.737806718785056]
量子コンピューティングは、古典的なアルゴリズムの範囲を超えて、様々な計算タスクを変換することが期待されている。
本研究では,教師なし画像分割における変分量子アルゴリズム(VQA)の適用について検討する。
論文 参考訳（メタデータ） (2024-05-23T10:21:57Z) - Drastic Circuit Depth Reductions with Preserved Adversarial Robustness
by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。
その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
論文 参考訳（メタデータ） (2023-09-18T01:49:36Z) - Improved FRQI on superconducting processors and its restrictions in the
NISQ era [62.997667081978825]
量子画像のフレキシブル表現の実現可能性について検討する。
また、現在の雑音の中間スケール量子時代の限界を実験的に検証する。
FRQIに必要な回路を単純化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-29T10:42:43Z)
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。