論文の概要: GAT-QNN: Genetic Algorithm-Based Training of Hybrid Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2604.15048v1
- Date: Thu, 16 Apr 2026 14:12:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.941074
- Title: GAT-QNN: Genetic Algorithm-Based Training of Hybrid Quantum Neural Networks
- Title（参考訳）: GAT-QNN:ハイブリッド量子ニューラルネットワークの遺伝的アルゴリズムによる学習
- Authors: Tasnim Ahmed, Alberto Marchisio, Muhammad Kashif, Nouhaila Innan, Muhammad Shafique,
- Abstract要約: ハイブリッド量子ニューラルネットワーク(HQNN)は古典的な学習とパラメータ化量子回路を組み合わせる。
GAT-QNNは,マイクロ回路を反復的にサンプリングすることで,マクロ回路(検索空間)を訓練する遺伝的アルゴリズム(GA)ベースのフレームワークである。
複数のバックエンドにまたがるGA駆動推論において,テスト精度が22～23%向上したことを報告した。
- 参考スコア（独自算出の注目度）: 2.2137637038476377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid Quantum Neural Networks (HQNNs) combine classical learning with parameterized quantum circuits, but their practical performance is often limited by (i) the noise of Noisy Intermediate-Scale Quantum (NISQ) devices and (ii) the large, discrete design space of quantum circuit architectures. Moreover, HQNNs are commonly trained using a fixed circuit and a single backend, even though deployment frequently targets heterogeneous backends where compilation and execution characteristics may differ. To address these challenges, we propose GAT-QNN, a genetic algorithm (GA)-based framework that trains a macroCircuit (search space) by iteratively sampling microCircuits (subcircuits), training them, and reintegrating their learned parameters into the macroCircuit. After training, we run an independent GA-driven inference stage that evaluates candidate microCircuits using the trained macroCircuit weights and selects top-performing architectures for deployment. This two-stage approach enables backend-aware microCircuit selection without retraining each candidate architecture and can also reduce computational resources (gate count) by deploying smaller microCircuits derived from the macroCircuit. We validate the approach on MNIST classification (four classes) and report consistent 22-23% test accuracy gains for GA-driven inference across multiple backends.
- Abstract（参考訳）: ハイブリッド量子ニューラルネットワーク(HQNN)は古典的学習とパラメータ化量子回路を組み合わせるが、実用性能は制限されることが多い。
(i)雑音の中規模量子(NISQ)デバイスのノイズとその対策
(II)量子回路アーキテクチャの大規模かつ離散的な設計空間。
さらにHQNNは、コンパイルと実行の特徴が異なる異種バックエンドを頻繁にターゲットしているにも関わらず、固定回路と単一のバックエンドを使って、一般的にトレーニングされている。
これらの課題に対処するために、我々は、マイクロ回路(サブ回路)を反復的にサンプリングし、学習パラメータをマクロ回路に再統合することで、マクロ回路(検索空間)を訓練する遺伝的アルゴリズム(GA)ベースのフレームワークであるGAT-QNNを提案する。
トレーニング後、トレーニングされたマクロ回路重みを使って、候補マイクロ回路を評価するGA駆動の独立した推論ステージを実行し、デプロイのためのトップパフォーマンスアーキテクチャを選択する。
この2段階のアプローチは、各候補アーキテクチャを再訓練することなく、バックエンド対応のマイクロ回路の選択を可能にし、マクロ回路から派生した小さなマイクロ回路を配置することで、計算資源(ゲート数)を削減できる。
MNIST分類(4つのクラス)のアプローチを検証するとともに、複数のバックエンドにわたるGA駆動推論において、一貫性のある22～23%のテスト精度ゲインを報告する。
関連論文リスト
- Probabilistic Design of Parametrized Quantum Circuits through Local Gate Modifications [40.28072745340568]
進化に触発された量子アーキテクチャ探索アルゴリズムを提案し,これを局所量子アーキテクチャ探索と呼ぶ。
局所量子アーキテクチャ探索アルゴリズムの目標は、パラメータ化された量子回路アーキテクチャを最適化することである。
局所量子アーキテクチャ探索アルゴリズムを2つの合成関数適合回帰タスクと2つの量子化学回帰データセットで評価する。
論文 参考訳（メタデータ） (2026-02-12T22:47:03Z) - Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates [2.271697926182248]
本稿では,変分量子回路の発見と改良を行う自動フレームワークを提案する。
回路はグラフとして表現され、期待される改善獲得関数を介して変更され、選択される。
GNN誘導パイプラインは、回路の複雑さが低く、より優れた分類精度の回路を見つける。
論文 参考訳（メタデータ） (2025-12-10T12:23:04Z) - Evaluating Variational Quantum Circuit Architectures for Distributed Quantum Computing [3.1224202646855894]
我々は分散量子コンピューティング環境での変動量子回路のアーキテクチャ、特に絡み合いパターンを評価する。
計算キュービットと通信キュービットの4つのQPUを用いて8量子ビット回路の実行をシミュレートする。
本研究では,二項分類タスクにおける各種回路の性能を比較し,理想的条件下での学習と雑音条件下での試験を行う。
論文 参考訳（メタデータ） (2025-09-15T14:50:30Z) - 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) - HQCC: A Hybrid Quantum-Classical Classifier with Adaptive Structure [7.836610894905161]
量子機械学習(QML)を進化させるハイブリッド量子古典(HQCC)を提案する。
HQCCはLong ShortTerm Memory (LSTM)駆動の動的回路生成器を通じて量子回路(PQC)を適応的に最適化する。
我々はMNISTとFashion MNISTのデータセットでシミュレーションを行い、97.12%の精度を達成した。
論文 参考訳（メタデータ） (2025-04-02T22:49:00Z) - Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。
短絡の新規・ハードウェア対応回路の発見能力を示す。
本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文 参考訳（メタデータ） (2024-06-18T01:49:48Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Beyond MP2 initialization for unitary coupled cluster quantum circuits [0.0]
ユニタリ結合クラスタ(UCC)アンサッツは、高精度な結果を達成するための有望なツールである。
我々は,効率的なスパース波動関数回路ソルバを用いることで,UCCシミュレーションの最先端を推し進める。
論文 参考訳（メタデータ） (2023-01-13T17:06:50Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - 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) - Ansatz-Independent Variational Quantum Classifier [0.0]
可変量子分類器 (VQC) がよく知られたカーネル法に収まることを示す。
また、与えられたユニタリ演算子に対して効率的な量子回路を設計するための変分回路実現法(VCR)を提案する。
論文 参考訳（メタデータ） (2021-02-02T21:25:39Z)
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。