論文の概要: Do Quantum Transformers Help? A Systematic VQC Architecture Comparison on Tabular Benchmarks
- arxiv url: http://arxiv.org/abs/2604.23931v1
- Date: Mon, 27 Apr 2026 01:13:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.682559
- Title: Do Quantum Transformers Help? A Systematic VQC Architecture Comparison on Tabular Benchmarks
- Title（参考訳）: 量子トランスフォーマーは役に立つか? タブラルベンチマークによる体系的なVQCアーキテクチャの比較
- Authors: Chi-Sheng Chen, En-Jui Kuo,
- Abstract要約: 変分量子回路(VQCs)は、短期デバイス上での量子機械学習における主要なアプローチである。
マルチ層完全連結(FC-VQC)、残留(ResNet-VQC)、ハイブリッド量子古典変換器(QT)、完全量子変換器(FQT)の4つのVQC族を比較した。
FC-VQCは、40-50%少ないパラメータを使用しながら、注目ベースのVQCのR2$の90-96%を達成している。
これらの知見は、短期量子ハードウェアにVQCをデプロイするための実用的なアーキテクチャガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 2.005299372367689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational quantum circuits (VQCs) are a leading approach to quantum machine learning on near-term devices, yet it remains unclear which circuit architecture yields the best accuracy-parameter trade-off on classical tabular data. We present a systematic empirical comparison of four VQC families -- multi-layer fully-connected (FC-VQC), residual (ResNet-VQC), hybrid quantum-classical transformer (QT), and fully quantum transformer (FQT) -- across five regression and classification benchmarks. Our key findings are: \textbf{(i)}~FC-VQCs achieve 90-96\% of the $R^2$ of attention-based VQCs while using 40-50\% fewer parameters, and consistently outperform equal-capacity MLPs (mean $R^2{=}0.829$ vs.\ MLP$_{720}$'s $0.753$ on Boston Housing, 3-seed average); \textbf{(ii)}~FC-VQC's Type~4 inter-block connectivity provides partial cross-token mixing that approximates the role of attention -- explicit quantum self-attention yields only marginal gains on most datasets while significantly increasing parameter count; \textbf{(iii)}~expressibility saturates at circuit depth~${\approx}\,3$, explaining why shallow VQCs already cover the Hilbert space effectively; \textbf{(iv)}~LayerNorm on the fully quantum transformer improves classification accuracy, suggesting normalization is important when all operations are quantum; \textbf{(v)}~in our noise study on Boston Housing, FQT degrades gracefully under depolarizing noise while QT collapses. All results are validated across three random seeds. These findings provide practical architectural guidance for deploying VQCs on near-term quantum hardware.
- Abstract（参考訳）: 変分量子回路(VQCs)は、短期的なデバイス上での量子機械学習における主要なアプローチであるが、どの回路アーキテクチャが古典的な表形式データに対して最適な精度パラメータトレードオフをもたらすかは定かではない。
本稿では,5つの回帰および分類ベンチマークにおいて,多層完全連結(FC-VQC),残留(ResNet-VQC),ハイブリッド量子古典変換(QT),完全量子変換(FQT)の4つのVQCファミリーの系統的比較を示す。
主要な発見は以下のとおりである。
(i)}~FC-VQCsは、40-50\%のパラメータを使用しながら、注意ベースのVQCの90-96\%を達成し、常に等容量MPP(平均$R^2{=}0.829$)より優れる。
MLP$_{720}$'s $0.753$ on Boston Housing, 3-seed average); \textbf{
(ii)}~FC-VQC's Type~4 ブロック間接続は、注意の役割を近似する部分的なクロストケン混合を提供する。
(iii)}~表現性は回路深さ~${\approx}\,3$で飽和し、なぜ浅いVQCがヒルベルト空間を効果的にカバーしているかを説明する。
i)~LayerNorm on the fully quantum transformer improves classification accuracy, suggests normalization is important when all operations are quantum; \textbf{
ボストン住宅の騒音調査において、FQTはQT崩壊時に脱分極雑音下で優雅に劣化する。
結果は3つのランダムな種にまたがって検証される。
これらの知見は、短期量子ハードウェアにVQCをデプロイするための実用的なアーキテクチャガイダンスを提供する。
関連論文リスト
- QARIMA: A Quantum Approach To Classical Time Series Analysis [0.5039813366558307]
本稿では、量子支援ラグ探索と固定構成量子回路(VQC)を統合した量子インスピレーションされたARIMA手法を提案する。
MSEとMAEのDiebold-Marianoテストでは,自動古典的ARIMAに対する転動オリジン評価を行い,平均二乗誤差(MSE),平均絶対パーセンテージ誤差(MAPE),平均二乗誤差(MAPE)を報告した。
論文 参考訳（メタデータ） (2026-04-09T14:11:39Z) - AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - 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) - Quantum vs. Classical Machine Learning: A Benchmark Study for Financial Prediction [4.154628197854726]
データ構造と回路設計が適切に整合している場合,量子的手法により性能が向上することを示す。
方向性分類において、ハイブリッド量子ニューラルネットワークは、パラメータマッチングされたANNを textbf+3.8 AUC と textbf+3.4 の精度ポイントを textttAAPL 株、 textbf+4.9 AUC と textbf+3.6 の精度ポイントをトルコの textttKCHOL で上回る。
ライブトレーディングにおいて、QLSTMはtextttのリスク調整されたリターンを高める
論文 参考訳（メタデータ） (2026-01-07T11:02:03Z) - 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) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Evaluating Ground State Energies of Chemical Systems with Low-Depth
Quantum Circuits and High Accuracy [6.81054341190257]
我々は,Qubit Coupled Cluster (QCC) に基づく拡張型変分量子固有解器 (VQE) アンサッツを開発した。
我々は、IBM KolkataとQuantinuum H1-1の2つの異なる量子ハードウェア上で、拡張QCCアンサッツを評価する。
論文 参考訳（メタデータ） (2024-02-21T17:45:03Z) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳（メタデータ） (2021-08-03T17:49:09Z) - Ansatz-Independent Variational Quantum Classifier [0.0]
可変量子分類器 (VQC) がよく知られたカーネル法に収まることを示す。
また、与えられたユニタリ演算子に対して効率的な量子回路を設計するための変分回路実現法(VCR)を提案する。
論文 参考訳（メタデータ） (2021-02-02T21:25:39Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。