論文の概要: The power of entanglement in distributed quantum machine learning

• arxiv url: http://arxiv.org/abs/2605.03864v1
• Date: Tue, 05 May 2026 15:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:44.004917
• Title: The power of entanglement in distributed quantum machine learning
• Title（参考訳）: 分散量子機械学習における絡み合いの力
• Authors: Yerim Kim, Kiwmann Hwang, Hyukjoon Kwon, Yosep Kim,
• Abstract要約: 量子インターネットは、遠隔デバイスを相互接続し、分散量子アルゴリズムによる大規模計算を可能にすることを目的としている。 重要な障害の1つは、計算中の通信遅延である。 対照的に、絡み合いは事前に確立することができ、遠隔ノード間の通信の複雑さを低減するための実践的なリソースとして利用することができる。
• 参考スコア（独自算出の注目度）: 2.581571066401725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The quantum internet aims to interconnect distant devices and enable large-scale computation through distributed quantum algorithms. One of the key obstacles is communication latency during computation. Even separations of a few hundred kilometers introduce millisecond-scale delays, which exceed the coherence times of many solid-state qubit platforms. In contrast, entanglement can be established beforehand and used as a practical resource to reduce communication complexity between remote nodes. Here we examine the utility of entanglement in distributed quantum machine learning for binary classification tasks. Drawing an analogy with the CHSH game, we show that entanglement improves classification accuracy across all datasets considered. We also find that excessive entanglement may degrade performance by reducing the effective dimension of the parameter space. This highlights the importance of using an appropriate amount and structure of entanglement in data embedding. Our findings bridge nonlocality and machine-learning advantage, providing a pathway toward distributed quantum computation beyond coherence-time constraints.
• Abstract（参考訳）: 量子インターネットは、遠隔デバイスを相互接続し、分散量子アルゴリズムによる大規模計算を可能にすることを目的としている。 重要な障害の1つは、計算中の通信遅延である。 数百キロの分離でもミリ秒スケールの遅延が発生し、これは多くの固体量子ビットプラットフォームのコヒーレンス時間を超える。 対照的に、絡み合いは事前に確立することができ、遠隔ノード間の通信の複雑さを低減するための実践的なリソースとして利用することができる。 本稿では,分散量子機械学習における絡み合いの有用性について検討する。 CHSHゲームと類似した図を描いて、絡み合いが考慮された全てのデータセットの分類精度を向上させることを示す。 また,パラメータ空間の有効次元を小さくすることで,過剰な絡み合いが性能を低下させることも見いだす。 このことは、データ埋め込みにおいて適切な量と絡み合いの構造を使用することの重要性を強調している。 我々の発見は非局所性と機械学習の優位性を橋渡しし、コヒーレンス時間制約を超えた分散量子計算への道筋を提供する。

関連論文リスト

• Efficient Time-Aware Partitioning of Quantum Circuits for Distributed Quantum Computing [10.919776355400282]
  分散量子コンピューティング(DQC)は、複数の小型量子処理ユニット(QPU)を相互接続して量子ネットワークを形成する。 この通信オーバーヘッドを最小限に抑えるため、DQCコンパイラは論理量子ビットを分散物理QPUにマッピングすることで、量子回路を戦略的に分割する必要がある。 本稿では,通信オーバヘッドを最小限に抑えるために,連続する時間ステップにまたがる低コストなキュービット代入列を段階的に構築する時間認識アルゴリズムを提案する。 提案アルゴリズムは, 回路サイズ, 深さ, ネットワークトポロジにまたがる静的ベースラインよりも, 通信コストを大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-04T14:43:10Z)
• Towards a Global Scale Quantum Information Network: A Study Applied to Satellite-Enabled Distributed Quantum Computing [0.43385178649818873]
  本研究では,フランス国内規模での衛星対応分散量子コンピューティングシステムの提案と評価を行う。 本研究では,パリのアリスとニースのボブの両端の絡み合いの分布を,接地と空間セグメントの両方から構成するシステムを考える。 量子コンピューティングの文脈では、この絡み合ったリソースは、量子ビット状態のテレポーテーションやゲートテレポーテーションに使用できる。
  論文  参考訳（メタデータ） (2025-09-15T13:29:38Z)
• A Resource Efficient Quantum Kernel [0.6299766708197881]
  本研究では,高次元データを扱うために設計された量子特徴写像を導入し,量子ビット数とエンタングリング演算を著しく削減した。 本手法は計算効率を向上しながら重要なデータ特性を保っている。 我々の発見は、近い将来の量子コンピューティングプラットフォーム上で量子機械学習アルゴリズムを実践するための有望な道を開いた。
  論文  参考訳（メタデータ） (2025-07-04T16:12:57Z)
• 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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• Hardware-Efficient, Fault-Tolerant Quantum Computation with Rydberg Atoms [55.41644538483948]
  我々は中性原子量子コンピュータにおいてエラー源の完全な特徴付けを行う。 計算部分空間外の状態への原子量子ビットの崩壊に伴う最も重要なエラーに対処する,新しい,明らかに効率的な手法を開発した。 我々のプロトコルは、アルカリ原子とアルカリ原子の両方にエンコードされた量子ビットを持つ最先端の中性原子プラットフォームを用いて、近い将来に実装できる。
  論文  参考訳（メタデータ） (2021-05-27T23:29:53Z)

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。