論文の概要: Single-shot quantum neural networks with amplitude estimation

• arxiv url: http://arxiv.org/abs/2604.19320v1
• Date: Tue, 21 Apr 2026 10:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.725372
• Title: Single-shot quantum neural networks with amplitude estimation
• Title（参考訳）: 振幅推定を用いた単発量子ニューラルネットワーク
• Authors: Jaemin Seo,
• Abstract要約: 量子ニューラルネットワーク(QNN)は、量子計測が確率的であるため、基本的なサンプリングボトルネックに悩まされる。 本研究は、量子振幅推定(AE)を読み出し段階に統合する「単一ショット」QNNフレームワークを導入する。 AEをベースとしたQNN推論では,1ショットでも$mathcalO(1/N)の誤差が得られることを示す。
• 参考スコア（独自算出の注目度）: 2.7412662946127764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum neural networks (QNNs) suffer from a fundamental sampling bottleneck since quantum measurements are probabilistic, requiring many circuit executions to estimate outputs with sufficient accuracy. Conventional Monte-Carlo (MC) inference exhibits an $\mathcal{O}(1/\sqrt{N})$ sampling error, rendering QNN inference and training costly on near-term quantum hardware, especially where each shot requires expensive qubit generation. This work introduces a "single-shot" QNN framework by integrating quantum amplitude estimation (AE) into the readout stage. By embedding a trained QNN as a state-preparation oracle within AE, outputs are estimated through coherent interference rather than repeated sampling. We demonstrate that AE-based QNN inference achieves an $\mathcal{O}(1/N)$ error even with a single shot. We further analyze noise robustness and training feasibility, showing that AE can be a powerful primitive for overcoming the sampling overhead of QNNs. This highlights that when the model itself is quantum, quantum algorithms can enhance the computation efficiency.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、量子測定が確率的であるため、基本的なサンプリングボトルネックに悩まされ、十分な精度で出力を推定するために多くの回路実行を必要とする。 従来のモンテカルロ推論(MC)は$\mathcal{O}(1/\sqrt{N})$サンプリングエラーを示し、QNN推論をレンダリングし、短期量子ハードウェア上で訓練する。 本研究は、量子振幅推定(AE)を読み出し段階に統合する「単一ショット」QNNフレームワークを導入する。 AE内に訓練されたQNNを状態準備オラクルとして埋め込むことで、繰り返しサンプリングではなくコヒーレント干渉によって出力を推定する。 AEに基づくQNN推論では,単発でも$\mathcal{O}(1/N)の誤差が得られることを示す。 さらに,QNNのサンプリングオーバーヘッドを克服するために,AEが強力なプリミティブになりうることを示す。 このことは、モデル自体が量子であるとき、量子アルゴリズムが計算効率を高めることを強調している。

関連論文リスト

• Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
  本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。 QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2026-01-06T09:58:14Z)
• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• Randomness-enhanced expressivity of quantum neural networks [7.7991930692137466]
  本稿では,量子回路にランダム性を組み込むことにより,QNNの表現性を高める新しい手法を提案する。 我々は、Uhlmannの定理を用いて、任意の対象作用素を正確に近似することができることを証明した。 量子機械学習に広く応用できる複数の学習タスクに対してランダム性を導入することにより,QNNの表現性が向上することを発見した。
  論文  参考訳（メタデータ） (2023-08-09T07:17:13Z)
• Error-tolerant quantum convolutional neural networks for symmetry-protected topological phases [0.0]
  パラメトリック化量子回路、測定、フィードフォワードに基づく量子ニューラルネットワークは、大量の量子データを処理できる。 量子畳み込みニューラルネットワーク(QCNN)を構築し,異なる対称性で保護された位相を認識できる。 QCNNの出力は閾値誤差確率以下の対称性破り誤差に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2023-07-07T16:47:02Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。