論文の概要: Q-LINK: Quantum Layerwise Information Residual Network via a Messenger Qubit for Barren Plateaus Mitigation
- arxiv url: http://arxiv.org/abs/2604.11831v1
- Date: Sat, 11 Apr 2026 18:41:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.01109
- Title: Q-LINK: Quantum Layerwise Information Residual Network via a Messenger Qubit for Barren Plateaus Mitigation
- Title（参考訳）: Q-LINK: Barren Plateaus Mitigation のための Messenger Qubit による量子層情報残差ネットワーク
- Authors: Zhehao Yi, Rahul Bhadani,
- Abstract要約: 我々は、Q-LINKと呼ばれる単一のメッセンジャー量子ビットを組み込んだ残差インスパイアされた量子回路アーキテクチャを導入する。
我々は,Q-LINKがより大きな勾配分散を保ち,収束を加速することにより,最適化挙動を著しく向上することを示した。
- 参考スコア（独自算出の注目度）: 0.5520082338220947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In hybrid classical-quantum computing, variational quantum algorithms (VQAs) have emerged as a promising approach in the Noisy Intermediate-Scale Quantum (NISQ) era; however, their performance is often hindered by barren plateaus, where gradients vanish exponentially, rendering optimization ineffective. In this work, we introduce a residual-inspired quantum circuit architecture that incorporates a single messenger qubit, referred to as Q-LINK. By conducting numerical simulations on random quantum states, we observe that Q-LINK significantly enhances optimization behavior by sustaining larger gradient variance and accelerating convergence. Additionally, Q-LINK improves convergence efficiency by 4-6 times and increases gradient variance by up to two orders of magnitude compared with the Vanilla model. To further characterize the impact of the proposed structure, we analyze the expressibility of the circuits before and after introducing Q-LINK and find that the overall expressibility value remains largely unchanged, indicating that the original representational capacity of the circuit is preserved. In addition, we visualize the loss landscapes of different architectures to provide insights into how the proposed design reshapes the cost function landscape. These results demonstrate that introducing only a single messenger qubit can effectively mitigate barren plateau effects while maintaining the ability to explore the Hilbert space of variational quantum circuits.
- Abstract（参考訳）: ハイブリッド古典量子コンピューティングにおいて、変分量子アルゴリズム(VQA)はノイズ中間スケール量子(NISQ)時代に有望なアプローチとして登場したが、その性能はバレンプラトーによって妨げられ、勾配が指数関数的に消え、レンダリングの最適化が効果的ではない。
本稿では,Q-LINKと呼ばれる1つのメッセンジャー量子ビットを組み込んだ残差インスピレーション量子回路アーキテクチャを提案する。
ランダムな量子状態に関する数値シミュレーションを行うことにより、Q-LINKはより大きな勾配の分散と収束の加速を保ち、最適化の挙動を著しく向上させる。
さらに、Q-LINKは収束効率を4-6倍改善し、バニラモデルと比較して最大2桁の勾配分散を増大させる。
提案手法は,Q-LINK導入前後の回路の表現可能性を解析し,回路の本来の表現能力が維持されていることを示す。
さらに、異なるアーキテクチャの損失景観を可視化し、提案した設計がコスト関数のランドスケープにどう影響するかを洞察する。
これらの結果は、1つのメッセンジャー量子ビットのみを導入することで、変分量子回路のヒルベルト空間を探索する能力を維持しつつ、バレンプラトー効果を効果的に緩和できることを示している。
関連論文リスト
- Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。
本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。
経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-12T11:00:21Z) - 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-Enhanced Channel Mixing in RWKV Models for Time Series Forecasting [0.0]
ニューラルシークエンスモデリングの最近の進歩は、RWKVのようなアーキテクチャにつながり、リカレントスタイルの時間混合とフィードフォワードチャネルミキシングを組み合わせることで、効率的なロングコンテキスト処理を可能にする。
本稿では、標準フィードフォワードネットワーク(FFN)を部分的に変分量子回路(VQC)に置き換えるRWKVモデルのハイブリッド量子ピース拡張であるQuantumRWKVを提案する。
量子コンポーネントは、PennyLaneフレームワークを介してエンドツーエンドの微分性を保ちながら、非線形表現能力を高めるように設計されている。
論文 参考訳（メタデータ） (2025-05-18T02:19:30Z) - Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。
QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。
合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
論文 参考訳（メタデータ） (2025-04-05T02:52:37Z) - Trade-off between Gradient Measurement Efficiency and Expressivity in Deep Quantum Neural Networks [0.0]
量子ニューラルネットワーク(QNN)は、実用的な量子優位性を達成するために効率的なトレーニングアルゴリズムを必要とする。
本稿では, 量子回路の対称構造を利用して, トレードオフ上界を実現するSLPA (Stabler-logical Product Ansatz) と呼ばれる一般QNNアンサッツを提案する。
数値実験により、SLPAは精度と訓練性を維持しながら、トレーニングに必要なサンプルの複雑さを大幅に減らすことが示された。
論文 参考訳（メタデータ） (2024-06-26T12:59:37Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。