論文の概要: QuIC: A Training-Free Quantum Graph Embedding from Ideal Analysis to Practical Hardware Evaluation
- arxiv url: http://arxiv.org/abs/2604.18841v1
- Date: Mon, 20 Apr 2026 21:09:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.496472
- Title: QuIC: A Training-Free Quantum Graph Embedding from Ideal Analysis to Practical Hardware Evaluation
- Title（参考訳）: QuIC: 理想分析から実践的ハードウェア評価までを組み込んだトレーニング不要な量子グラフ
- Authors: Luke Miller, Yugyung Lee,
- Abstract要約: 固定パラメータ化回路を用いてグラフをソートした出力分布にマッピングする、トレーニング不要な量子グラフ埋め込みQuICを紹介する。
理想的な一繰り返し設定では、結果のソート分布が置換不変であり、不合理な条件下でラベル付きグラフ上に注入されることが証明される。
本研究では, 有限ショット推定, トランケーション, リアルノイズ, トランスパイレーション, ハードウェア実行において, その挙動がどれだけ生き残るかを検討する。
- 参考スコア（独自算出の注目度）: 1.6600232804345616
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce QuIC, a training-free quantum graph embedding that maps graphs to sorted output distributions via a fixed parameterized circuit. In the ideal one-repetition setting, we prove that the resulting sorted distribution is permutation-invariant and injective on labeled graphs under an irrational-angle condition, yielding completeness on isomorphism classes for the ideal one-repetition exact-arithmetic embedding. We then use those ideal structural properties to motivate a practical embedding pipeline and study how much of that behavior survives under finite-shot estimation, truncation, realistic noise, transpilation, and hardware execution. The sorted distribution concentrates discriminative signal in a compact head, making fixed-length head truncation an effective practical operating point in the tested regimes. Under noise-model simulation, all tested graph pairs satisfied the study's operational separation criterion, including strongly regular graph pairs that are standard 2-WL stress tests and CFI families used as hard instances for fixed-k WL methods. A hardware study comprising 14,800 transpiled circuits across 37 CFI families on IBM Heron (ibm_fez, 156 qubits), including paired one- and two-repetition evaluations, reports empirical separation up to 66 qubits for the tested families under the reported execution protocol, identifies a device-dependent depth limit near 210-250 layers, and characterizes the current practical boundary of the method under the reported execution protocol.
- Abstract（参考訳）: 固定パラメータ化回路を用いてグラフをソートした出力分布にマッピングする、トレーニング不要な量子グラフ埋め込みQuICを紹介する。
理想的な一繰り返し設定において、結果のソート分布は置換不変であり、不合理な条件下でラベル付きグラフ上で射影的であり、理想的な一反復完全回帰埋め込みに対する同型類に完全性をもたらすことを証明する。
次に、これらの理想的な構造特性を用いて、実用的な埋め込みパイプラインを動機付け、その挙動が有限ショット推定、トランケーション、リアルノイズ、トランスパイレーション、ハードウェア実行の下でどれだけ生き残るかを研究する。
ソートされた分布は、コンパクトなヘッドにおける識別信号に集中し、試験された状態において、固定長のヘッドトランケーションを効果的な実用的な操作ポイントにする。
ノイズモデルシミュレーションでは、標準の2-WLストレステストである強い正則グラフペアや固定kWL法のハードインスタンスとして使用されるCFIファミリーを含む、全てのテスト済みグラフペアが研究の操作的分離基準を満たした。
IBM Heron(ibm_fez, 156 qubits)上の37のCFIファミリに14,800個のトランスパイルされた回路(ibm_fez, 156 qubits)からなるハードウェア研究では、ペア化された1と2の繰り返し評価、報告された実行プロトコルの下でテストされたファミリに対して最大66 qubitsの分離を報告、デバイス依存の深さ制限を210-250層付近で特定し、報告された実行プロトコルの下でメソッドの現在の実用的な境界を特徴付ける。
関連論文リスト
- Near-Optimal Experiment Design in Linear non-Gaussian Cyclic Models [25.51914785590587]
線形非ガウス構造方程式モデルから因果構造学習の問題を考察する。
近年の研究では、単に観測データを用いることで、因果グラフは置換等価クラスまでしか識別できないことが示されている。
論文 参考訳（メタデータ） (2025-09-25T09:34:24Z) - Low coordinate degree algorithms II: Categorical signals and generalized stochastic block models [2.4889993472438383]
低座標次数関数が高次元データにおけるカテゴリー構造の存在をテストできるかどうかについて検討する。
これはLCDFの連続構造試験における性能について研究したこのシリーズの最初の論文を補完するものである。
論文 参考訳（メタデータ） (2024-12-30T18:34:36Z) - Learning to rank quantum circuits for hardware-optimized performance enhancement [0.0]
本稿では,論理的に等価な量子回路をランク付けするための機械学習に基づく手法を実験的に導入し,実験を行った。
提案手法をランダムなレイアウト選択とMapomaticと呼ばれる一般公開ベースラインの2つの一般的なアプローチと比較する。
我々の最良のモデルでは、ベースラインアプローチと比較して選択誤差が1.8タイムズ$減少し、ランダム選択と比較して3.2タイムズ$減少する。
論文 参考訳（メタデータ） (2024-04-09T18:00:01Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳（メタデータ） (2023-02-08T08:17:43Z) - Fundamental Limits of Two-layer Autoencoders, and Achieving Them with
Gradient Methods [91.54785981649228]
本稿では,非線形二層型オートエンコーダについて述べる。
本結果は,人口リスクの最小化要因を特徴付け,その最小化要因が勾配法によって達成されることを示す。
符号アクティベーション関数の特別な場合において、この解析は、シャローオートエンコーダによるガウス音源の損失圧縮の基本的な限界を確立する。
論文 参考訳（メタデータ） (2022-12-27T12:37:34Z) - Single-Pass Contrastive Learning Can Work for Both Homophilic and
Heterophilic Graph [60.28340453547902]
グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。
既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。
我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。
経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
論文 参考訳（メタデータ） (2022-11-20T07:18:56Z) - Instability and Local Minima in GAN Training with Kernel Discriminators [20.362912591032636]
GAN(Generative Adversarial Networks)は、複雑なデータの生成モデリングに広く使われているツールである。
実験的な成功にもかかわらず、ジェネレータと判別器のmin-max最適化のため、GANの訓練は十分には理解されていない。
本稿では、真のサンプルと生成されたサンプルが離散有限集合であり、判別器がカーネルベースである場合に、これらの関節力学を解析する。
論文 参考訳（メタデータ） (2022-08-21T18:03:06Z) - Counterfactual Intervention Feature Transfer for Visible-Infrared Person
Re-identification [69.45543438974963]
視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。
十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。
本稿では,これらの問題に対処するためのCIFT法を提案する。
論文 参考訳（メタデータ） (2022-08-01T16:15:31Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - Holistically-Attracted Wireframe Parsing [123.58263152571952]
本稿では,入力画像中のベクトル化ワイヤフレームを1つのフォワードパスで検出する高速で類似的な解析手法を提案する。
提案手法は, (i) ラインセグメントとジャンクション提案生成, (ii) ラインセグメントとジャンクションマッチング, (iii) ラインセグメントとジャンクション検証の3つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2020-03-03T17:43:57Z)
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。