論文の概要: Harnessing a 256-qubit Neutral Atom Simulator for Graph Classification

• arxiv url: http://arxiv.org/abs/2605.04737v1
• Date: Wed, 06 May 2026 10:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.77486
• Title: Harnessing a 256-qubit Neutral Atom Simulator for Graph Classification
• Title（参考訳）: 256量子ニュートラル原子シミュレータによるグラフ分類
• Authors: Edoardo Giusto, Gabriele Iurlaro, Bartolomeo Montrucchio, Alberto Scionti, Olivier Terzo, Chiara Vercellino, Giacomo Vitali, Paolo Viviani,
• Abstract要約: ニュートラル原子プラットフォームは、プログラム可能なルビジウム原子配列を用いてグラフを2次元量子ビットレジスタにマッピングすることを可能にする。 我々はQuantum Kernel (QEK) を計算し、256量子Aquila プラットフォームを用いて PROTEINS データセットのグラフから特徴を抽出する。
• 参考スコア（独自算出の注目度）: 0.11242503819703255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neutral atom platforms are analogue quantum simulators that offer the possibility to map graphs onto a 2D qubit register using programmable Rubidium atoms arrays, whose valence electrons' energy state is used as qubits, using optical tweezers. This makes it possible to implement algorithms for solving graph combinatorial optimization and Quantum Machine Learning (QML) tasks, such as graph classification. However, the restrictions of real hardware, as well as the very low number of publicly available machines, make such implementation non-trivial. In this work, we manage to compute the Quantum Evolution Kernel (QEK) to extract the features from graphs of the PROTEINS dataset using the 256-qubits Aquila platform (available through AWS) and then we apply classical Machine Learning (ML) techniques for the final classification. The method is benchmarked against classical kernels, resulting in slightly better performance, proving the effectiveness of the method, even in the case of a noisy quantum simulator.
• Abstract（参考訳）: ニュートラル原子プラットフォーム(英: Neutral atom platform)は、電子価電子のエネルギー状態が量子ビットとして、光学的ツイーザを用いて、プログラマブルなルビジウム原子配列を用いてグラフを2次元量子ビットレジスタにマッピングすることを可能にするアナログ量子シミュレータである。 これにより、グラフ組合せ最適化やグラフ分類などの量子機械学習(QML)タスクを解くアルゴリズムの実装が可能になる。 しかし、実際のハードウェアの制限や、公開マシンの数が非常に少ないため、そのような実装は簡単ではない。 本研究ではQuantum Evolution Kernel(QEK)を計算し、256量子ビットのAquilaプラットフォーム(AWS経由で利用可能)を使用してPROTEINSデータセットのグラフから特徴を抽出し、最終分類に古典的機械学習(ML)技術を適用する。 この手法は古典的カーネルに対してベンチマークされ、性能が若干向上し、ノイズのある量子シミュレータの場合であっても、その手法の有効性が証明された。

関連論文リスト

• Efficient Emulation of Neutral Atom Quantum Hardware [0.0]
  本研究では,Pasqalのパルスパッケージの計算バックエンドとして,emu-svとemu-mpsの2つのエミュレータを導入する。 Emu-svは高精度な状態ベクトルシミュレーションのために設計されている。 emu-mpsはマトリックス積状態表現やその他の制御された近似を用いて、より大きな原子配列を効率的にシミュレートする。
  論文  参考訳（メタデータ） (2025-10-10T19:21:20Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Quantum Kernel Estimation With Neutral Atoms For Supervised Classification: A Gate-Based Approach [0.6445605125467573]
  量子カーネル推定(Quantum Kernel Estimation, QKE)は、量子コンピュータを用いてカーネル関数を推定する手法である。 中性原子量子コンピュータは、より自由な原子を配置できるため、使用することができる。 本稿では,共通ゲートの集合を明示的に導出するアルゴリズムを提案し,中性原子デバイス上で量子カーネルを推定する方法を提案する。
  論文  参考訳（メタデータ） (2023-07-28T23:56:26Z)
• Compilation of algorithm-specific graph states for quantum circuits [55.90903601048249]
  本稿では,高レベル言語で記述された量子回路から,アルゴリズム固有のグラフ状態を作成する量子回路コンパイラを提案する。 この計算は、このグラフ状態に関する一連の非パウリ測度を用いて実装することができる。
  論文  参考訳（メタデータ） (2022-09-15T14:52:31Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Quantum Support Vector Machines for Continuum Suppression in B Meson Decays [0.27342795342528275]
  古典的データを量子状態に変換するプロセスである異なる量子符号化回路が最終分類性能に与える影響について検討する。 本稿では、量子回路シミュレーションを用いて、0.848のAUC(Area Under Receiver Operating Characteristics Curve)の符号化手法を提案する。 データセットの縮小バージョンを使用して、IBM Quantum ibmq_casablancaデバイス上でアルゴリズムを実行し、平均AUCは0.703に達した。
  論文  参考訳（メタデータ） (2021-03-23T02:09:05Z)
• Laplacian Eigenmaps with variational circuits: a quantum embedding of graph data [0.0]
  量子変分回路を用いたラプラシアン固有写像の計算法を提案する。 量子シミュレータを用いた32ノードグラフ上でのテストでは,古典的なラプラシアン固有写像アルゴリズムと同様の性能が得られた。
  論文  参考訳（メタデータ） (2020-11-10T14:51:25Z)
• Quantum Gram-Schmidt Processes and Their Application to Efficient State Read-out for Quantum Algorithms [87.04438831673063]
  本稿では、生成した状態の古典的ベクトル形式を生成する効率的な読み出しプロトコルを提案する。 我々のプロトコルは、出力状態が入力行列の行空間にある場合に適合する。 我々の技術ツールの1つは、Gram-Schmidt正則手順を実行するための効率的な量子アルゴリズムである。
  論文  参考訳（メタデータ） (2020-04-14T11:05:26Z)

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。