論文の概要: Measuring Accuracy and Energy-to-Solution of Quantum Fine-Tuning of Foundational AI Models

• arxiv url: http://arxiv.org/abs/2605.02798v1
• Date: Mon, 04 May 2026 16:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.411916
• Title: Measuring Accuracy and Energy-to-Solution of Quantum Fine-Tuning of Foundational AI Models
• Title（参考訳）: 基礎的AIモデルの量子微調整の精度測定とエネルギー・解法
• Authors: Oliver Knitter, Sang Hyub Kim, Maximilian Wurzer, Jonathan Mei, Claudio Girotto, Karen Horovitz, Chi Chen, Masako Yamada, Frederik F. Flöther, Martin Roetteler,
• Abstract要約: 本稿では,ハイブリッド量子-古典的応用におけるエネルギ・ツー・ソリューション(ETS)の実験的検討を行う。 ETSは、Forte Enterpriseトラップイオン量子プロセッサの電力消費を直接計測することで実現される。
• 参考スコア（独自算出の注目度）: 1.75181998606904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an experimental study of energy-to-solution (ETS) of hybrid quantum-classical applications, enabled by direct instrumentation of power consumption of a Forte Enterprise trapped-ion quantum processor. We apply this methodology to a hybrid quantum-classical pipeline for quantum fine-tuning of foundational AI models, and validate the approach end-to-end on quantum hardware. Despite noise and limited qubit counts, the resulting models achieve accuracy competitive with and exceeding classical baselines such as logistic regression and support vector classifiers. Our results show that QPU energy consumption scales approximately linearly with qubit number for shallow circuits, while classical simulation exhibits exponential scaling, indicating a break-even for ETS around 34 qubits. The classification error improvement of the best quantum fine-tuned model over the best classical fine-tuned model considered in this study is around 24%. We further contextualize these findings with comparisons to tensor network methods. This work establishes energy-to-solution as a measurable and scalable metric for evaluating quantum applications and provides experimental evidence of favorable energy-accuracy trade-offs.
• Abstract（参考訳）: 本稿では,Forte Enterpriseトラップイオン量子プロセッサの電力消費を直接計測することで,ハイブリッド量子古典的応用のエネルギ・ツー・ソリューション(ETS)を実験的に検討する。 この手法を,基本的AIモデルの量子微調整のためのハイブリッド量子古典パイプラインに適用し,量子ハードウェア上でのエンドツーエンドのアプローチを検証する。 ノイズや量子ビット数に制限があるにもかかわらず、結果として得られるモデルはロジスティック回帰やサポートベクトル分類器といった古典的ベースラインと競合し、超える精度を達成する。 以上の結果から,QPUエネルギー消費は浅部回路のキュービット数とほぼ直線的にスケールし,古典的シミュレーションでは指数的スケーリングを示し,約34キュービットのETSの破れを示す。 本研究における古典的微調整モデルに対する最適量子微調整モデルの分類誤差の改善は約24%である。 さらに、テンソルネットワーク法との比較により、これらの知見を文脈化する。 この研究は、量子アプリケーションを評価するための測定可能なスケーラブルな計量としてエネルギー対溶液を確立し、良好なエネルギー-精度トレードオフの実験的証拠を提供する。

関連論文リスト

• Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits [0.0]
  画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。 我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。 実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-17T12:28:33Z)
• Physics-Informed Hybrid Quantum-Classical Dispatching for Large-Scale Renewable Power Systems:A Noise-Resilient Framework [9.378801906395179]
  高ペネレーションエネルギーは、電力系統のディスパッチ最適化に重大性と非古典性をもたらす。 既存のアプローチでは、電力網を「ブラックボックス」として扱うのが一般的である。 本稿では、PIHQ-CD(Hybrid Quantum-Bridging Dispatching)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-26T13:35:54Z)
• 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)
• Quantum-Train with Tensor Network Mapping Model and Distributed Circuit Ansatz [0.8192907805418583]
  量子トレイン(Quantum-Train、QT)は、量子古典機械学習のハイブリッドフレームワークである。 量子状態の測定を古典的なニューラルネットワークの重みにマッピングする。 従来のQTフレームワークでは、このタスクにマルチレイヤパーセプトロン(MLP)を採用しているが、スケーラビリティと解釈可能性に苦慮している。 複数の小さな量子処理ユニットノードを持つ大規模量子機械学習用に設計された分散回路アンサッツを提案する。
  論文  参考訳（メタデータ） (2024-09-11T03:51:34Z)
• "Toward" Metal-Organic Framework Design by Quantum Computing [0.46873264197900916]
  この論文は、2023年のデロイテ量子気候問題(英語版)の文脈で実施された研究を要約している。 本稿では、ポテンシャルエネルギー表面スキャンを計算するためのハイブリッド量子古典法を提案する。 この課題の主な目的は、量子コンピューティングを使うことの潜在的な利点を強調することである。
  論文  参考訳（メタデータ） (2023-09-11T14:07:30Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A pathway to accurate potential energy curves on NISQ devices [0.483420384410068]
  量子デバイス上で水素分子のポテンシャルエネルギー曲線を計算するための実用的なワークフローを提案する。 提案手法は,数量子ビットしか持たず,基本セットの限界に近い完全な構成相互作用の結果を提供するために外挿方式を用いる。 シミュレーション量子ハードウェアのノイズ特性に制約があるにもかかわらず、現実的な電子相関値の復元が可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-19T11:32:43Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。