論文の概要: Getting large-scale quantum neural networks ready for quantum hardware
- arxiv url: http://arxiv.org/abs/2604.24886v1
- Date: Mon, 27 Apr 2026 18:08:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.544829
- Title: Getting large-scale quantum neural networks ready for quantum hardware
- Title（参考訳）: 量子ハードウェアのための大規模量子ニューラルネットワークの実現
- Authors: Mario Boneberg, Simon Kochsiek, Igor Lesanovsky,
- Abstract要約: 量子ニューラルネットワークは、古典的な人工ニューラルネットワークを量子領域に一般化する。
有限個のノイズ損失関数測定によりトレーニングした物理インフォームド大規模量子ニューラルネットワークについて検討した。
提案手法は,量子シミュレータやコンピュータから出力される量子データを直接処理することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum neural networks generalize classical artificial neural networks into the quantum domain. They are formulated as parameterized quantum circuits which are optimized by measuring and minimizing a suitably chosen loss function. The core challenge in understanding, implementing and ultimately using quantum neural networks is that they represent many-body systems with an exponentially large Hilbert space, in combination with a large parameter search space. Moreover, noise -- which is inherent to any quantum measurement -- sets practical limits for the estimation of training loss. Here, we study physics-informed large-scale quantum neural networks that are trained through a finite number of noisy loss function measurements. We show that this architecture permits the construction of nontrivial decision boundaries that enable the classification of quantum states through measuring an order parameter. Our approach can directly process quantum data that is output from quantum simulators and computers and is well suited for implementation on current hardware. Moreover, owed to a close link between the neural network dynamics and the evolution of Markovian open many-body quantum systems, one may expect a certain robustness to noise, which is ubiquitous in the current NISQ era.
- Abstract（参考訳）: 量子ニューラルネットワークは、古典的な人工ニューラルネットワークを量子領域に一般化する。
パラメータ化量子回路として定式化され、適切に選択された損失関数の測定と最小化によって最適化される。
量子ニューラルネットワークを理解し、実装し、最終的に使用する上での課題は、指数関数的に大きなヒルベルト空間を持つ多体系を、大きなパラメータ探索空間と組み合わせて表現することである。
さらに、あらゆる量子測定に固有のノイズは、トレーニング損失の推定に実用的な限界を設定する。
そこで本研究では,有限個のノイズ損失関数測定によってトレーニングされた物理インフォームド大規模量子ニューラルネットワークについて検討する。
このアーキテクチャは、順序パラメータを測定することで量子状態の分類を可能にする非自明な決定境界の構築を可能にする。
提案手法は,量子シミュレータやコンピュータから出力される量子データを直接処理し,現在のハードウェアの実装に適している。
さらに、ニューラルネットワークのダイナミクスとマルコフ的多体量子系の進化の密接な関係から、現在のNISQ時代にはありふれたノイズに対するある種の堅牢性が期待できるかもしれない。
関連論文リスト
- Digital quantum simulation of many-body systems: Making the most of intermediate-scale, noisy quantum computers [51.56484100374058]
この論文は量子デバイス上の量子力学をシミュレートすることを中心にしている。
本稿では,量子力学における最も関連性の高い量子アルゴリズムの概要を紹介する。
近い将来に量子シミュレーションの恩恵を受けることができる量子力学における関連する問題を同定する。
論文 参考訳（メタデータ） (2025-08-29T10:37:19Z) - Natural Quantization of Neural Networks [0.0]
そこで我々は,ニューロンが量子ビットに対応し,活性化関数が量子ゲートと測定によって実装される,標準的なニューラルネットワークの自然な量子化を提案する。
我々は、このアーキテクチャを標準MNISTデータセットのサブセットでベンチマークし、「量子優位」の仕組みを見つける。
提案した量子ニューラルネットワークは、商用データセット上の現在の量子コンピュータで容易に実現可能である。
論文 参考訳（メタデータ） (2025-03-19T17:57:11Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Distributed Quantum Neural Networks via Partitioned Features Encoding [0.0]
量子ニューラルネットワークは、短期量子コンピューティングにおける有望な応用であると期待されている。
本稿では,複数の小回路を用いて大回路の出力を近似して予測する。
提案手法は,大規模データセットの高精度な予測だけでなく,各量子ニューラルネットワークのハードウェア要件も低減した。
論文 参考訳（メタデータ） (2023-12-21T08:21:44Z) - 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) - Quantum reservoir neural network implementation on coherently coupled
quantum oscillators [1.7086737326992172]
本稿では,多数の高密度結合ニューロンを得る量子貯水池の実装を提案する。
超伝導回路に基づく特定のハードウェア実装を解析する。
ベンチマークタスクでは99 %の最先端の精度が得られる。
論文 参考訳（メタデータ） (2022-09-07T15:24:51Z) - Realizing Quantum Convolutional Neural Networks on a Superconducting
Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。
我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。
その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:32:57Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳（メタデータ） (2021-03-08T17:24:29Z) - Realising and compressing quantum circuits with quantum reservoir
computing [2.834895018689047]
量子ノードのランダムネットワークが量子コンピューティングの堅牢なハードウェアとしてどのように使用できるかを示す。
我々のネットワークアーキテクチャは、量子ノードの単一層のみを最適化することで量子演算を誘導する。
数量子状態においては、量子回路内の複数の量子ゲートのシーケンスは単一の演算で圧縮することができる。
論文 参考訳（メタデータ） (2020-03-21T03:29:16Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
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。