論文の概要: QuanForge: A Mutation Testing Framework for Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2604.20706v1
• Date: Wed, 22 Apr 2026 15:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.207309
• Title: QuanForge: A Mutation Testing Framework for Quantum Neural Networks
• Title（参考訳）: QuanForge: 量子ニューラルネットワークのための突然変異テストフレームワーク
• Authors: Minqi Shao, Shangzhou Xia, Jianjun Zhao,
• Abstract要約: QuanForgeは、量子ニューラルネットワーク(QNN)用に特別に設計された突然変異テストフレームワークである。 QuanForgeは、異なるテストスイートを効果的に区別し、脆弱な回路領域をローカライズできることを示す。 また,擬似雑音条件下での性能評価を行い,将来の量子デバイスにおけるQuanForgeの実現可能性を評価する。
• 参考スコア（独自算出の注目度）: 2.614447913018019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing synergy between deep learning and quantum computing, Quantum Neural Networks (QNNs) have emerged as a promising paradigm by leveraging quantum parallelism and entanglement. However, testing QNNs remains underexplored due to their complex quantum dynamics and limited interpretability. Developing a mutation testing technique for QNNs is promising while requires addressing stochastic factors, including the inherent randomness of mutation operators and quantum measurements. To tackle these challenges, we propose QuanForge, a mutation testing framework specifically designed for QNNs. We first introduce statistical mutation killing to provide a more reliable criterion. QuanForge incorporates nine post-training mutation operators at both gate and parameter levels, capable of simulating various potential errors in quantum circuits. Finally, a mutant generation algorithm is formalized that systematically produces effective mutants, thereby enabling a robust and reliable mutation analysis. Through extensive experiments on benchmark datasets and QNN architectures, we show that QuanForge can effectively distinguish different test suites and localize vulnerable circuit regions, providing insights for data enhancement and structural assessment of QNNs. We also analyze the generation capabilities of different operators and evaluate performance under simulated noisy conditions to assess the practical feasibility of QuanForge for future quantum devices.
• Abstract（参考訳）: ディープラーニングと量子コンピューティングの相乗効果の増大に伴い、量子ニューラルネットワーク(QNN)は量子並列性と絡み合いを活用することで、有望なパラダイムとして浮上してきた。 しかし、QNNのテストは、複雑な量子力学と限定的な解釈可能性のため、まだ探索されていない。 QNNの突然変異試験手法の開発には、突然変異演算子固有のランダム性や量子測定など、確率的要因に対処する必要がある一方で、有望である。 これらの課題に対処するために、QNN用に特別に設計された突然変異テストフレームワークであるQuanForgeを提案する。 まず、より信頼性の高い基準を提供するために、統計的突然変異殺傷法を導入する。 QuanForgeには、ゲートレベルとパラメータレベルの両方で9つのトレーニング後の突然変異演算子が組み込まれており、量子回路の様々な潜在的なエラーをシミュレートすることができる。 最後に、有効な突然変異を体系的に生成し、堅牢で信頼性の高い突然変異解析を可能にする突然変異生成アルゴリズムを定式化する。 ベンチマークデータセットとQNNアーキテクチャに関する広範な実験を通じて、QuanForgeは異なるテストスイートを効果的に区別し、脆弱な回路領域をローカライズし、QNNのデータ強化と構造評価の洞察を提供する。 また,異なる演算子の生成能力を解析し,シミュレーションノイズ条件下での性能評価を行い,将来の量子デバイスにおけるQuanForgeの実現可能性を評価する。

関連論文リスト

• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• A Coverage-Guided Testing Framework for Quantum Neural Networks [1.7101498519540597]
  量子ニューラルネットワーク(QNN)は量子コンピューティングとディープニューラルネットワークを統合し、重ね合わせや絡み合いといった量子特性を活用して機械学習アルゴリズムを強化する。 しかし、量子力学の本質的に非古典的な性質のため、QNNの検証には重大な課題が生じる。 本稿では,テスト中のQNN状態探索を体系的に評価するためのテストカバレッジ基準であるQCovを提案する。
  論文  参考訳（メタデータ） (2024-11-03T08:07:27Z)
• 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)
• 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)
• Theoretical Guarantees for Permutation-Equivariant Quantum Neural Networks [0.0]
  等変量子ニューラルネットワーク(QNN)の構築方法を示す。 我々は、不毛の高原に苦しめられず、すぐに過度なパラメータ化に達し、少量のデータからよく一般化されることを証明した。 我々の研究は、同変QNNに対する最初の理論的保証を提供し、GQMLの極端なパワーとポテンシャルを示している。
  論文  参考訳（メタデータ） (2022-10-18T16:35:44Z)
• 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。