論文の概要: Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty

• arxiv url: http://arxiv.org/abs/2605.00330v1
• Date: Fri, 01 May 2026 01:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.809322
• Title: Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty
• Title（参考訳）: Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-free Uncertainty
• Authors: Purav Matlia, Christian Moya, Guang Lin,
• Abstract要約: 演算子学習は高次元力学系の高速サロゲートモデリングを可能にする。 既存のアプローチは2次推論複雑性と信頼できない不確実性定量化という2つの基本的な制限に直面している。 両課題を同時に解決するフレームワークであるConformalized Quantum DeepONet Ensemblesを提案する。
• 参考スコア（独自算出の注目度）: 7.889588152000197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Operator learning enables fast surrogate modeling of high-dimensional dynamical systems, but existing approaches face two fundamental limitations: quadratic inference complexity and unreliable uncertainty quantification in safety-critical settings. We propose Conformalized Quantum DeepONet Ensembles, a framework that addresses both challenges simultaneously. By leveraging Quantum Orthogonal Neural Networks (QOrthoNNs), we reduce operator inference complexity from O(n^2) to O(n), enabling scalable evaluation over fine discretizations. To provide rigorous uncertainty quantification, we combine ensemble-based epistemic modeling with adaptive conformal prediction, yielding distribution-free coverage guarantees. A key challenge in ensembling is that naive parallelism scales hardware resources linearly with the number of models. We resolve this by using Superposed Parameterized Quantum Circuits (SPQCs), which compress multiple ensemble members into a single circuit and enable simultaneous multi-model execution. Experiments on synthetic partial differential equations and real-world power system dynamics demonstrate that our approach achieves accurate predictions while maintaining calibrated uncertainty under realistic quantum noise. These results establish a practical pathway toward scalable, uncertainty-aware operator learning in quantum machine learning.
• Abstract（参考訳）: 演算子学習は高次元力学系の高速サロゲートモデリングを可能にするが、既存のアプローチでは2次推論複雑性と安全クリティカルな設定における信頼できない不確実性定量化という2つの基本的な制限に直面している。 両課題を同時に解決するフレームワークであるConformalized Quantum DeepONet Ensemblesを提案する。 量子直交ニューラルネットワーク(QOrthoNNs)を利用することで、演算子推論の複雑さをO(n^2)からO(n)に低減し、微細離散化よりもスケーラブルな評価を可能にする。 厳密な不確実性定量化を実現するため,アンサンブルに基づくエピステマティックモデリングと適応型コンフォーマル予測を組み合わせ,分布のないカバレッジ保証を実現する。 アンサンブルにおける重要な課題は、単純並列性は、モデル数と線形にハードウェアリソースをスケールすることである。 我々は、複数のアンサンブル部材を1つの回路に圧縮し、同時にマルチモデル実行を可能にするスーパーパラメタライズド量子回路(SPQC)を用いてこれを解決する。 合成偏微分方程式と実世界の電力系統力学の実験により,現実的な量子雑音下での校正不確実性を保ちながら精度の高い予測を達成できることが実証された。 これらの結果は、量子機械学習におけるスケーラブルで不確実性を考慮した演算子学習への実践的な経路を確立する。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Projective Quantum Eigensolver with Generalized Operators [0.0]
  PQEフレームワークにおける閉形式残留方程式の観点から一般化作用素を決定する手法を開発する。 いくつかの分子系への応用により、アンザッツは単体、二重体、三重体を含む(異方性)UCCと同様の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-21T15:40:22Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Attention to Quantum Complexity [21.766643620345494]
  我々は,汎用的な古典的AIフレームワークQuantum Attention Network(QuAN)を紹介する。 QuANは、測定スナップショットをトークンとして扱い、置換不変性を尊重する。 われわれはQuANを3つの異なる量子シミュレーション設定で厳格にテストしている。
  論文  参考訳（メタデータ） (2024-05-19T17:46:40Z)
• Noise-Robust End-to-End Quantum Control using Deep Autoregressive Policy Networks [2.5946789143276447]
  変分量子固有解法は、量子コンピューティングデバイスの使用を可能にするため、近年注目を集めている。 不確実性のある方法で連続的および離散的な自由度を同時に最適化できるハイブリッドポリシグラデーショングラデーションアルゴリズムを提案する。 我々の研究は、強化学習と量子制御の相乗効果を示す。
  論文  参考訳（メタデータ） (2020-12-12T02:13:28Z)

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。