論文の概要: Bridge the Gap between Classical and Quantum Neural Networks with Residual Connections

• arxiv url: http://arxiv.org/abs/2604.15626v1
• Date: Fri, 17 Apr 2026 02:07:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.704677
• Title: Bridge the Gap between Classical and Quantum Neural Networks with Residual Connections
• Title（参考訳）: 残差接続による古典的ニューラルネットワークと量子ニューラルネットワークのギャップを埋める
• Authors: Junxu Li,
• Abstract要約: 本稿では,古典的残差学習と量子的残差学習のギャップを埋めるために,HQRN(Hybrid Quantum Residual Network)を導入する。 我々の結果は古典的残差学習と量子的残差学習のギャップを埋め、深層量子アーキテクチャのためのスケーラブルな経路を築き上げた。
• 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: We introduce a Hybrid Quantum Residual Network (HQRN) and establish an exact functional correspondence between its state evolution and the dynamics of classical networks with residual connections. When inputs are restricted to the computational basis, the HQRN reduces to its classical analog, enabling the direct translation of optimized classical weights into quantum unitary operations, effectively inheriting the landscape benefits of classical optimization. Conversely, when processing general mixed states, the HQRN leverages off-diagonal quantum correlations to resolve features inaccessible to its classical analog. We validate this framework through digit recognition and bipartite entanglement classification. Notably, HQRN achieves high classification accuracy even for adversarial separable states that mimic the marginal measurement statistics of entangled pairs. Our results bridge the gap between classical and quantum residual learning, paving a scalable pathway for deep quantum architectures.
• Abstract（参考訳）: 我々は、HQRN(Hybrid Quantum Residual Network)を導入し、その状態進化と残コネクションを持つ古典的ネットワークのダイナミックスとの正確な機能的対応を確立する。 入力が計算ベースに制限されると、HQRNは古典的なアナログに還元され、最適化された古典的な重みを量子ユニタリ演算に直接変換し、古典的な最適化のランドスケープの利点を効果的に継承する。 逆に、一般的な混合状態を処理する際、HQRNは対角線外量子相関を利用して古典的なアナログに到達できない特徴を解決する。 我々は、この枠組みを、桁認識と二部交絡分類によって検証する。 特に、HQRNは、絡み合ったペアの辺りの測定統計を模倣する逆分離状態であっても、高い分類精度を達成する。 我々の結果は古典的残差学習と量子的残差学習のギャップを埋め、深層量子アーキテクチャのためのスケーラブルな経路を築き上げた。

関連論文リスト

• Quantum reservoir computing with classical and nonclassical states in an integrated optical circuit [0.0]
  量子貯水池コンピューティング(QRC)は、ハードウェアで実装可能な量子ニューラルネットワーク方式である。 正の位相空間法を拡張して, ボソニック, 線形シリコンチップ系QRC系を効率的にシミュレーションする。
  論文  参考訳（メタデータ） (2026-03-17T19:49:59Z)
• CANOE: Classically Assisted Non-Orthogonal Eigensolver [0.4779196219827507]
  本稿では、量子ハードウェアと古典ハードウェアの間でレイリー・リッツ基底状態を分散するCANOEを紹介する。 76量子クロム原子系の数値シミュレーションによりこれを検証した。 これらの結果は、CANOEを、限られた量子資源と拡張可能な古典資源を結合するための実践的な枠組みとして位置づけている。
  論文  参考訳（メタデータ） (2026-03-13T17:21:14Z)
• Hybrid Quantum-Classical Recurrent Neural Networks [0.10152838128195468]
  本稿では,ハイブリッド型量子古典的リカレントニューラルネットワークアーキテクチャを提案する。 隠れ状態は、古典的なフィードフォワードネットワークによって制御される$n$-qubit量子回路(PQC)の量子状態である。 我々は、感情分析、MNIST、置換されたMNIST、メモリのコピー、言語モデリングを最大14キュービットでシミュレーションで評価する。
  論文  参考訳（メタデータ） (2025-10-29T14:21:49Z)
• Hybrid Quantum-Classical Learning for Multiclass Image Classification [0.15749416770494704]
  そこで本研究では,QCNNを完全連結の古典層に結合したハイブリッド量子古典アーキテクチャを提案する。 この方法は、MNIST、Fashion-MNIST、OrganAMNISTで同等の軽量モデルより優れている。 これらの結果は、捨てられた量子ビット情報の再利用が将来のハイブリッド量子古典モデルにとって有望なアプローチであることを示している。
  論文  参考訳（メタデータ） (2025-08-25T16:12:18Z)
• 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)
• A quantum advantage over classical for local max cut [48.02822142773719]
  量子最適化近似アルゴリズム(QAOA)は、次数3グラフ上の古典的手法に匹敵する計算上の優位性を持つ。 結果として、最先端の量子ハードウェアに関係している小規模量子計算でさえ、比較可能な単純な古典よりも大きな優位性を持つ可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-17T16:42:05Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)

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。