論文の概要: Robustness Evaluation of Hybrid Quantum Neural Networks under Noise Models via System-Level Error Mitigation
- arxiv url: http://arxiv.org/abs/2604.17515v1
- Date: Sun, 19 Apr 2026 16:16:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 13:27:22.088379
- Title: Robustness Evaluation of Hybrid Quantum Neural Networks under Noise Models via System-Level Error Mitigation
- Title（参考訳）: 雑音モデルに基づくハイブリッド量子ニューラルネットワークのシステムレベル誤差除去によるロバスト性評価
- Authors: Jesse Roberta Mingue Njiki, Nouhaila Innan, Alberto Marchisio, Muhammad Kashif, Jean-Michel Dricot, Muhammad Shafique,
- Abstract要約: 本研究は、ハイブリッド量子ニューラルネットワーク(HQNN)におけるノイズ効果と緩和戦略の体系的評価を提供する。
5つの代表的なノイズチャンネルを用いたIrisデータセット実験により,ノイズの影響と緩和効果がノイズモデルとその強度に強く依存していることが判明した。
- 参考スコア（独自算出の注目度）: 2.2452005551715657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Neural Networks (QNNs) represent a promising direction within Quantum Machine Learning (QML), yet their realization on noisy intermediate-scale quantum (NISQ) devices remains constrained by decoherence, gate imperfections, crosstalk, and readout errors. This study provides a systematic evaluation of noise effects and mitigation strategies in hybrid quantum neural networks (HQNNs). Zero-Noise Extrapolation (ZNE), Digital Dynamical Decoupling (DDD), and Layerwise Richardson Extrapolation (LRE) are integrated into end-to-end QNN training pipelines developed with PennyLane, simulated under Qiskit Aer noise models, and integrated with the Mitiq framework, while Probabilistic Error Cancellation (PEC) is evaluated separately under depolarizing noise due to its computational cost. Experiments conducted on the Iris dataset with five representative noise channels show that the impact of noise and the effect of mitigation are strongly dependent on the noise model and its strength. The model maintains comparatively strong performance under phase-flip and phase-damping noise, while substantial degradation is observed under high depolarizing and amplitude-damping noise. Across the evaluated mitigation methods, the observed benefits remain limited and noise-dependent: ZNE, DDD, and LRE generally follow the same degradation trends as the unmitigated baseline, while PEC shows limited gains only in the low-noise depolarizing regime. These findings highlight the need for context-specific mitigation strategies to improve the robustness of QNNs in practical NISQ settings.
- Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は量子機械学習(QML)内で有望な方向を示すが、ノイズの多い中間規模量子(NISQ)デバイスへの実現は、デコヒーレンス、ゲート不完全性、クロストーク、読み取りエラーによって制限されている。
本研究では,ハイブリッド量子ニューラルネットワーク(HQNN)におけるノイズ効果と緩和戦略を系統的に評価する。
Zero-Noise Extrapolation (ZNE)、Digital Dynamical Decoupling (DDD)、Layerwise Richardson Extrapolation (LRE)はPennyLaneで開発されたエンドツーエンドQNNトレーニングパイプラインに統合され、Qiskit Aerノイズモデルでシミュレートされ、Mitiqフレームワークと統合される。
5つの代表的なノイズチャンネルを用いたIrisデータセット実験により,ノイズの影響と緩和効果がノイズモデルとその強度に強く依存していることが判明した。
このモデルは、位相フリップおよび位相減衰ノイズ下では比較的強い性能を維持し、高脱分極および振幅減衰ノイズ下では顕著な劣化が観察される。
ZNE、DDD、LREは一般的に、未緩和のベースラインと同じ劣化傾向を辿るが、PECは低ノイズの非分極状態においてのみ利得を示す。
これらの知見は、実践的なNISQ設定におけるQNNの堅牢性を改善するための文脈特異的緩和戦略の必要性を強調した。
関連論文リスト
- Noise-adaptive hybrid quantum convolutional neural networks based on depth-stratified feature extraction [7.6371555592843565]
深度階層化中間測定値を利用して,雑音下での分類を改善する雑音適応型ハイブリッドQCNNを提案する。
このハイブリッド階層設計は、量子中間測度と古典的な後処理を統合することでノイズ適応推論を可能にする。
論文 参考訳（メタデータ） (2026-02-25T14:34:52Z) - Rethinking Quantum Noise in Quantum Machine Learning: When Noise Improves Learning [5.083987940956758]
量子ノイズは、通常、短期量子コンピューティングの基本的な障害と見なされる。
我々はこの合意に異議を唱える数値的な証拠を提示する。
分子特性予測のための量子グラフニューラルネットワークの実験を通して、量子ノイズが不均一応答を誘導することを発見した。
論文 参考訳（メタデータ） (2026-01-19T18:21:35Z) - 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) - Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。
NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文 参考訳（メタデータ） (2025-10-14T13:31:34Z) - Enhancing Gradient Variance and Differential Privacy in Quantum Federated Learning [5.608916223269914]
ローカルモデルとしての量子ニューラルネットワーク(QNN)は最近、注目すべき課題に直面している。
差分プライバシーを組み込んだ新しいQFL手法を提案し,専用ノイズ推定手法を提案する。
提案アルゴリズムは, 効率よく収束のバランスを保ち, 通信コストを低減し, 中間量子雑音の悪影響を軽減する。
論文 参考訳（メタデータ） (2025-09-04T15:29:52Z) - Do we really have to filter out random noise in pre-training data for language models? [38.30911856420568]
インターネットから収集された事前学習されたテキストデータは、必然的にデコードエラーや規制されていないウェブコンテンツに起因するランダムノイズを含む。
その結果, モデルが2.7Bにスケールアップされた場合でも, NTPの損失はランダムノイズの比率よりも有意に低かった。
モデルパラメータの知識を必要とせず,通常の特徴と摂動特徴の勾配を整列させることにより,下流タスクヘッドの認知能力を明確に向上する。
論文 参考訳（メタデータ） (2025-02-10T16:01:55Z) - Noise-resistant adaptive Hamiltonian learning [30.632260870411177]
データ解析と量子状態シミュレーションのための適応型ハミルトン学習(AHL)モデルを提案し、低効率性などの問題を克服する。
AHLに基づく雑音耐性量子ニューラルネットワーク(RQNN)を開発した。
論文 参考訳（メタデータ） (2025-01-14T11:12:59Z) - Bayesian Quantum Amplitude Estimation [46.03321798937855]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation
via Neural Networks [0.4779196219827508]
変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。
量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。
本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-10T15:35:41Z) - Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement
Distribution in FSO Quantum Networks [62.87033427172205]
自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。
エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
論文 参考訳（メタデータ） (2024-01-19T17:16:40Z) - Denoising Noisy Neural Networks: A Bayesian Approach with Compensation [36.39188653838991]
ノイズニューラルネット(ノイズニューラルネット、Noisy Neural Network)は、ノイズの存在下でのNNの推測と訓練を指す。
本報告では, ノイズや症状から未汚染NN重量を推定する方法について検討する。
論文 参考訳（メタデータ） (2021-05-22T11:51:20Z)
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。