論文の概要: Quantum Measurement Statistics as Bayesian Uncertainty Estimators for Physics-Constrained Learning

• arxiv url: http://arxiv.org/abs/2604.10896v1
• Date: Mon, 13 Apr 2026 01:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.271945
• Title: Quantum Measurement Statistics as Bayesian Uncertainty Estimators for Physics-Constrained Learning
• Title（参考訳）: 物理制約学習のためのベイズ不確かさ推定器としての量子計測統計
• Authors: Prasad Nimantha Madusanka Ukwatta Hewage, Midhun Chakkravarthy, Ruvan Kumara Abeysekara,
• Abstract要約: 不確実性定量化(UQ)は、安全クリティカルな物理システムに機械学習モデルをデプロイするために不可欠である。 変動量子回路(VQCs)とベイズ後続の不確実性からボルン・ルール計測統計を公式に結びつける。 PDE残基をトレーニングした物理制約付きVQCについて,この枠組みを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification (UQ) is essential for deploying machine learning models in safety-critical physical systems, yet classical Bayesian approaches incur substantial computational overhead. We establish a formal connection between Born-rule measurement statistics from variational quantum circuits (VQCs) and Bayesian posterior uncertainty, proving that repeated quantum measurements naturally produce calibrated prediction intervals without requiring explicit Bayesian neural network (BNN) machinery. We demonstrate this framework on physics-constrained VQCs trained on PDE residuals. Systematic experiments comparing quantum shot-based UQ against MC Dropout and Deep Ensemble baselines show that quantum UQ achieves coverage probabilities within 1-3% of target confidence levels at N >= 5000 shots, while MC Dropout systematically over-covers by 4-5%. Physics-constrained circuits reduce the expected calibration error (ECE) by 34-40% compared to unconstrained counterparts, with interval widths 14-30% narrower at equivalent coverage. Information-theoretic analysis reveals that quantum circuits extract ~15% more bits of UQ information per evaluation than MC Dropout and ~42% more than Deep Ensembles (M = 10), owing to the exponential Hilbert space accessible through Born-rule sampling. These results establish quantum measurement statistics as a principled, computationally efficient framework for uncertainty quantification in physics-informed learning.
• Abstract（参考訳）: 不確実性定量化(UQ)は、機械学習モデルを安全クリティカルな物理システムにデプロイするために不可欠である。 変動量子回路(VQC)とベイジアン後続不確実性(ベイジアン後続不確実性)のボルジアン・ルール計測統計値との形式的関連性を確立し,連続的な量子計測が明確なベイジアンニューラルネットワーク(BNN)機構を必要とせずに自然にキャリブレーションされた予測区間を生成することを示した。 PDE残基をトレーニングした物理制約付きVQCについて,この枠組みを実証する。 MC Dropout と Deep Ensemble のベースラインに対する量子ショットベースUQの比較実験により、量子UQ は N >= 5000 ショットでの目標信頼度の 1-3% 以内のカバレッジ確率を達成し、MC Dropout は系統的に 4-5% オーバーカバーした。 物理制約回路は、非制約回路に比べてキャリブレーション誤差(ECE)を34-40%削減し、等価範囲では間隔幅が14-30%狭くなる。 情報理論解析により、量子回路は、ボルンルールサンプリングを通じてアクセス可能な指数的ヒルベルト空間のため、MCDropoutよりも評価あたり15%以上のUQ情報を抽出し、Deep Ensembles (M = 10)より42%多いUQ情報を抽出することが明らかになった。 これらの結果は、物理インフォームドラーニングにおける不確実性定量化のための原理的、計算学的に効率的なフレームワークとして量子測定統計を定めている。

関連論文リスト

• Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification [0.0]
  ハイブリッド量子古典物理学インフォームドニューラルネットワーク(HQC-PINN)を提案する。 HQC-PINNは、パラメータ化された変分量子回路を、水文PDE制約学習のためのPINNフレームワークに統合する。 スリランカのカルー川流域のマルチモーダル衛星と気象データの数値シミュレーションにより、HQC-PINNは3倍少ない訓練で収束し、同等の古典的なPINNに比べて44%少ない訓練パラメータを使用することが示された。
  論文  参考訳（メタデータ） (2026-04-10T14:45:38Z)
• Trustworthy Quantum Machine Learning: A Roadmap for Reliability, Robustness, and Security in the NISQ Era [3.1351527202068445]
  この研究は、TQML(Trustworthy Quantum Machine Learning)の幅広いロードマップを提供する。 i) 校正およびリスク対応意思決定のための不確実な定量化、(ii) 古典的および量子ネイティブな脅威モデルに対する堅牢性、(iii) 分散および委譲された量子学習シナリオにおけるプライバシー保護の3つの基本的柱を統合する。 このロードマップは、信頼性を量子AIの第一級設計目標として定義することを目指している。
  論文  参考訳（メタデータ） (2025-11-04T14:24:17Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• 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)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• 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)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• Quantum Vulnerability Analysis to Accurate Estimate the Quantum Algorithm Success Rate [21.46259138110464]
  量子コンピュータは、完全には理解されていない計算中にノイズに悩まされる。 本稿では,量子アプリケーションにおけるエラーの影響を定量化する量子脆弱性解析(QVA)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T02:51:16Z)

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。