論文の概要: Federated Learning with Quantum Enhanced LSTM for Applications in High Energy Physics

• arxiv url: http://arxiv.org/abs/2604.15775v1
• Date: Fri, 17 Apr 2026 07:31:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.791341
• Title: Federated Learning with Quantum Enhanced LSTM for Applications in High Energy Physics
• Title（参考訳）: 量子強化LSTMによる高エネルギー物理応用のためのフェデレートラーニング
• Authors: Abhishek Sawaika, Durga Pritam Suggisetti, Udaya Parampalli, Rajkumar Buyya,
• Abstract要約: 分散ノードでのローカルトレーニングのためのハイブリッド量子古典的長期記憶モデル(QLSTM)を設計する。 これは、特徴空間内の複雑な関係を理解するための量子モデルの代表的力を組み合わせたものである。 5M行の超対称性(SUSY)データセットの分類タスクにおけるそのような設計の利点を実証する。
• 参考スコア（独自算出の注目度）: 13.2258284053731
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning with large-scale datasets and information-critical applications, such as in High Energy Physics (HEP), demands highly complex, large-scale models that are both robust and accurate. To tackle this issue and cater to the learning requirements, we envision using a federated learning framework with a quantum-enhanced model. Specifically, we design a hybrid quantum-classical long-shot-term-memory model (QLSTM) for local training at distributed nodes. It combines the representative power of quantum models in understanding complex relationships within the feature space, and an LSTM-based model to learn necessary correlations across data points. Given the computing limitations and unprecedented cost of current stand-alone noisy-intermediate quantum (NISQ) devices, we propose to use a federated learning setup, where the learning load can be distributed to local servers as per design and data availability. We demonstrate the benefits of such a design on a classification task for the Supersymmetry(SUSY) dataset, having 5M rows. Our experiments indicate that the performance of this design is not only better that some of the existing work using variational quantum circuit (VQC) based quantum machine learning (QML) techniques, but is also comparable ($Δ\sim \pm 1\%$) to that of classical deep-learning benchmarks. An important observation from this study is that the designed framework has $<$300 parameters and only needs 20K data points to give a comparable performance. Which also turns out to be a 100$\times$ improvement than the compared baseline models. This shows an improved learning capability of the proposed framework with minimal data and resource requirements, due to the joint model with an LSTM based architecture and a quantum enhanced VQC.
• Abstract（参考訳）: 高エネルギー物理学(HEP)のような大規模データセットや情報クリティカルなアプリケーションで学ぶには、堅牢かつ正確である非常に複雑な大規模モデルが必要である。 この問題に対処し、学習要件を満たすために、量子強化モデルを用いた連合学習フレームワークを構想する。 具体的には、分散ノードでのローカルトレーニングのためのハイブリッド量子古典的長期記憶モデル(QLSTM)を設計する。 これは、特徴空間内の複雑な関係を理解するための量子モデルの代表的パワーと、データポイント間で必要な相関を学習するためのLSTMベースのモデルを組み合わせる。 現状のスタンドアロンノイズ中間量子デバイス(NISQ)の計算限界と前例のないコストを考慮すると、我々は、設計やデータの可用性に応じて、学習負荷をローカルサーバに分散できるフェデレート学習装置を提案する。 5M行の超対称性(SUSY)データセットの分類タスクにおけるそのような設計の利点を実証する。 この設計の性能は、変分量子回路(VQC)ベースの量子機械学習(QML)技術を用いた既存の研究よりも優れており、古典的なディープベンチマークベンチマークと同等である(Δ\sim \pm 1\%$)。 この研究から重要な観察は、設計されたフレームワークが$<300のパラメータを持ち、同等のパフォーマンスを得るためには20Kのデータポイントしか必要としないということである。 また、比較されたベースラインモデルよりも100$\times$改善されていることも判明した。 これにより、LSTMアーキテクチャと量子拡張VQCとの結合モデルにより、最小限のデータとリソース要件で提案フレームワークの学習能力が改善された。

関連論文リスト

• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• Entangled mixed-state datasets generation by quantum machine learning [1.5467284361227343]
  本稿では,絡み合った分類タスクのための混合状態データセットを生成する方法を提案する。 量子エンタングルドデータセットの組み立てをさらに促進し、古典的および量子機械学習の両方で新しいエンタングルメント基準の発見を促す。
  論文  参考訳（メタデータ） (2025-03-09T05:19:20Z)
• Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
  我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。 分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。 SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-12T17:35:36Z)
• Quantum Kernel-Based Long Short-term Memory [0.30723404270319693]
  本稿では,Quantum Kernel-Based Long Short-Term Memory (QK-LSTM) ネットワークを導入する。 この量子化アーキテクチャは、効率的な収束、ロバストな損失最小化、モデルコンパクト性を示す。 ベンチマークの結果,QK-LSTMは従来のLSTMモデルと同等の性能を示すが,パラメータは少ない。
  論文  参考訳（メタデータ） (2024-11-20T11:39:30Z)
• Quantum-Train with Tensor Network Mapping Model and Distributed Circuit Ansatz [0.8192907805418583]
  量子トレイン(Quantum-Train、QT)は、量子古典機械学習のハイブリッドフレームワークである。 量子状態の測定を古典的なニューラルネットワークの重みにマッピングする。 従来のQTフレームワークでは、このタスクにマルチレイヤパーセプトロン(MLP)を採用しているが、スケーラビリティと解釈可能性に苦慮している。 複数の小さな量子処理ユニットノードを持つ大規模量子機械学習用に設計された分散回路アンサッツを提案する。
  論文  参考訳（メタデータ） (2024-09-11T03:51:34Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• 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)
• 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)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Study of Feature Importance for Quantum Machine Learning Models [0.0]
  予測器の重要性は、古典的および量子機械学習(QML)におけるデータ前処理パイプラインの重要な部分である この研究は、QMLモデルの特徴的重要性を探求し、彼らの古典的機械学習(CML)と対比した最初の研究である。 我々はQMLモデルを訓練し、実世界のデータセット上で古典的アルゴリズムから特徴的重要度を計算するハイブリッド量子古典的アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2022-02-18T15:21:47Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。