論文の概要: Magnitude Is All You Need? Rethinking Phase in Quantum Encoding of Complex SAR Data
- arxiv url: http://arxiv.org/abs/2604.14229v1
- Date: Tue, 14 Apr 2026 18:03:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:29.928547
- Title: Magnitude Is All You Need? Rethinking Phase in Quantum Encoding of Complex SAR Data
- Title（参考訳）: マグニチュードは必要か? 複雑なSARデータの量子符号化における位相の再考
- Authors: Sakthi Prabhu Gunasekar, Prasanna Kumar R,
- Abstract要約: 合成開口レーダ(SAR)データは本質的に複雑な値であり、量子機械学習(QML)モデルはヒルベルト空間で自然に動作する。
この明確なアライメントは、等級情報と位相情報を量子符号化に組み込むことで、SAR自動ターゲット認識(ATR)の性能を向上させることを示唆している。
我々は、MSTARベンチマークデータセットの統一的な実験フレームワークの下で、等級限定、合同複素数、I/Qベース、前処理相、純量子の5つの量子符号化戦略を比較した。
ハイブリッド量子古典アーキテクチャにおいて、等級のみの符号化は、すべての複素数値戦略を上回り、3クラスタスクにおいて99.57%の精度を達成する
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthetic Aperture Radar (SAR) data is inherently complex-valued, while quantum machine learning (QML) models naturally operate in complex Hilbert spaces. This apparent alignment suggests that incorporating both magnitude and phase information into quantum encoding should improve performance in SAR Automatic Target Recognition (ATR). In this work, we systematically evaluate this assumption by comparing five quantum encoding strategies: magnitude-only, joint complex, I/Q-based, preprocessed phase, and pure quantum, under a unified experimental framework on the MSTAR benchmark dataset. Contrary to expectation, we observe a consistent pattern: in hybrid quantum-classical architectures, magnitude-only encoding outperforms all complex-valued strategies, achieving 99.57% accuracy on a 3-class task and 71.19% on an 8-class task, while phase-aware methods provide negligible (~0%) or negative improvements. In contrast, in purely quantum architectures with only 184-224 trainable parameters and no classical components, phase information becomes essential, contributing up to 21.65% improvement in accuracy. These results reveal that the utility of phase information is not inherent to the data, but depends critically on the model architecture. Hybrid models rely on classical components that compensate for missing phase information, whereas purely quantum models require phase to construct discriminative representations. Our findings provide practical design guidelines for encoding complex-valued data in QML and highlight the importance of encoding-architecture co-design in the NISQ era.
- Abstract（参考訳）: 合成開口レーダ(SAR)データは本質的に複雑な値であり、量子機械学習(QML)モデルはヒルベルト空間で自然に動作する。
この明確なアライメントは、等級情報と位相情報を量子符号化に組み込むことで、SAR自動ターゲット認識(ATR)の性能を向上させることを示唆している。
本研究は,MSTARベンチマークデータセットの統一実験フレームワークを用いて,等級限定,連成複素数,I/Qベース,前処理相,純量子の5つの量子符号化戦略を比較して,この仮定を体系的に評価する。
ハイブリッド量子古典アーキテクチャでは、マグニチュードのみのエンコーディングは複雑な戦略をすべて上回り、3クラスタスクでは99.57%、8クラスタスクでは71.19%、フェーズアウェアメソッドでは無視可能な(~0%)あるいは否定的な改善を提供する。
対照的に、184-224のトレーニング可能なパラメータと古典的なコンポーネントが存在しない純粋に量子アーキテクチャでは、位相情報は必須となり、精度は最大21.65%向上する。
これらの結果から,位相情報の有用性はデータ固有のものではなく,モデルアーキテクチャに大きく依存していることが判明した。
ハイブリッドモデルは、欠落した位相情報を補う古典的なコンポーネントに依存し、純粋に量子モデルは識別表現を構成するために位相を必要とする。
本研究は, 複素数値データをQMLで符号化するための実用的な設計ガイドラインを提供し, NISQ時代の符号化設計の重要さを強調した。
関連論文リスト
- AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - Quantum Phase Recognition via Quantum Attention Mechanism [4.522310554705239]
量子状態内の相関関係を抽出するハイブリッド量子古典的注意モデルを提案する。
モデルは100以上のトレーニングデータで高い分類精度を達成する。
複雑な多体システムにおいて、量子位相認識のためのスケーラブルでデータ効率のよいアプローチを提供する。
論文 参考訳（メタデータ） (2026-01-31T02:56:04Z) - 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) - Data Complexity: a threshold between Classical and Quantum Machine Learning -- Part I [0.0]
量子機械学習(QML)は、パターン認識、最適化、データ分析の高速化を約束する。
既存の研究はアルゴリズムやハードウェアに重点を置いていることが多いが、量子的優位性を決定する上でのデータ自体の役割はあまり注目されていない。
データ複雑性は、これらの条件定義の中心である、と我々は主張する。
論文 参考訳（メタデータ） (2025-09-19T20:35:45Z) - 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) - Quantum autoencoders for image classification [0.0]
量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。
本研究では,QAEを用いた新しい画像分類手法を提案する。
論文 参考訳（メタデータ） (2025-02-21T07:13:38Z) - Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。
本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。
我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
論文 参考訳（メタデータ） (2025-01-27T07:27:23Z) - 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) - 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) - A performance characterization of quantum generative models [35.974070202997176]
量子生成モデリングに使用される量子回路を比較する。
2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。
確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
論文 参考訳（メタデータ） (2023-01-23T11:00:29Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z)
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。