論文の概要: Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning

• arxiv url: http://arxiv.org/abs/2605.06734v1
• Date: Thu, 07 May 2026 13:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.498444
• Title: Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning
• Title（参考訳）: Gated QKAN-FWP:スケーラブル量子インスパイアされたシーケンス学習
• Authors: Kuo-Chung Peng, Samuel Yen-Chi Chen, Jiun-Cheng Jiang, Chen-Yu Liu, En-Jui Kuo, Yun-Yuan Wang, Prayag Tiwari, Andrea Ceschini, Chi-Sheng Chen, Yu-Chao Hsu, Chun-Hua Lin, Tai-Yue Li, Antonello Rosato, Massimo Panella, Simon See, Saif Al-Kuwari, Kuan-Cheng Chen, Nan-Yow Chen, Hsi-Sheng Goan,
• Abstract要約: 量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。 私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。 時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
• 参考スコア（独自算出の注目度）: 38.502127166117674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast Weight Programmers (FWPs) encode temporal dependencies through dynamically updated parameters rather than recurrent hidden states. Quantum FWPs (QFWPs) extend this idea with variational quantum circuits (VQCs), but existing implementations rely on multi-qubit architectures that are difficult to scale on noisy intermediate-scale quantum (NISQ) devices and expensive to simulate classically. We propose gated QKAN-FWP, a fast-weight framework that integrates FWP with Quantum-inspired Kolmogorov-Arnold Network (QKAN) using single-qubit data re-uploading circuits as learnable nonlinear activation, known as DatA Re-Uploading ActivatioN (DARUAN). We further introduce a scalar-gated fast-weight update rule that stabilizes parameter evolution, supported by a theoretical analysis of its adaptive memory kernel, geometric boundedness, and parallelizable gradient paths. We evaluate the framework across time-series benchmarks, MiniGrid reinforcement learning, and highlight real-world solar cycle forecasting as our main practical result. In the long-horizon setting with 528-month input window and 132-month forecast horizon, our 12.5k-parameter model achieves lower scaled Mean Square Error (MSE), peak amplitude error, and peak timing error than a suite of classical recurrent baselines with up to 13x more parameters, including Long Short-Term Memory (LSTM) networks (25.9k-89.1k parameters), WaveNet-LSTM (167k), Vanilla recurrent neural network (11.5k), and a Modified Echo State Network (132k). To validate NISQ compatibility, we further deploy the trained fast programmer on IonQ and IBM Quantum processors, recovering forecasting accuracy within 0.1% relative MSE of the noiseless simulator at 1024 shots. These results position gated QKAN-FWP as a scalable, parameter-efficient, and NISQ-compatible approach to quantum-inspired sequence modeling.
• Abstract（参考訳）: Fast Weight Programmers (FWP) は、隠れた状態をリカレントするのではなく、動的に更新されたパラメータを通して時間的依存関係をエンコードする。 量子FWP (QFWPs) はこの考え方を変分量子回路 (VQCs) で拡張するが、既存の実装はノイズの多い中間スケール量子 (NISQ) デバイス上でのスケーリングが困難であり、古典的にシミュレートする費用がかかるマルチキュービットアーキテクチャに依存している。 本稿では,量子に着想を得たKolmogorov-Arnold Network(QKAN)とFWPを統合した高速なフレームワークであるQKAN-FWPを提案する。 さらに,パラメータ進化を安定化するスカラーゲート高速更新規則を導入し,適応メモリカーネルの理論解析,幾何学的有界性,並列化可能な勾配経路を検証した。 時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。 528ヶ月の入力ウィンドウと132ヶ月の予測水平線を持つロングホライゾン設定において、我々の12.5kパラメータモデルは、最大13倍のパラメータを持つ古典的リカレントメモリ(LSTM)ネットワーク(25.9k-89.1kパラメータ)、WaveNet-LSTM(167k)、バニラリカレントニューラルネットワーク(11.5k)、修正エコー状態ネットワーク(132k)を含む古典的リカレントベースラインのスイートよりも低いスケールの平均平方誤差(MSE)、ピーク振幅誤差、ピークタイミング誤差を達成する。 NISQの互換性を検証するため、IonQおよびIBM Quantumプロセッサ上で訓練された高速プログラマをさらに展開し、1024ショットでノイズレスシミュレータの相対MSEの0.1%の精度で予測精度を回復する。 これらの結果はQKAN-FWPを量子インスパイアされたシーケンスモデリングに対するスケーラブルでパラメータ効率が高く、NISQ互換のアプローチとして位置づけた。

関連論文リスト

• Quantum Recurrent Unit: A Parameter-Efficient Quantum Neural Network Architecture for NISQ Devices [1.6881346757176978]
  本研究では、新しい量子ニューラルネットワーク(NN)アーキテクチャである量子リカレントユニット(QRU)を紹介する。 QRUは、NISQ(Noisy Intermediate-Scale Quantum)デバイスと互換性がある。 QRUは従来のNNに比べてパラメータが大幅に少ないため、同等または優れた性能を一貫して達成できることを示す。
  論文  参考訳（メタデータ） (2026-01-26T05:30:19Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• HQCC: A Hybrid Quantum-Classical Classifier with Adaptive Structure [7.836610894905161]
  量子機械学習(QML)を進化させるハイブリッド量子古典(HQCC)を提案する。 HQCCはLong ShortTerm Memory (LSTM)駆動の動的回路生成器を通じて量子回路(PQC)を適応的に最適化する。 我々はMNISTとFashion MNISTのデータセットでシミュレーションを行い、97.12%の精度を達成した。
  論文  参考訳（メタデータ） (2025-04-02T22:49:00Z)
• Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting [0.24739484546803336]
  本稿では,量子カーネル法を従来のLSTMアーキテクチャに統合したQK-LSTM(Quantum Kernel-Based Long short-Memory)ネットワークを提案する。 QK-LSTMは、トレーニング可能なパラメータが少ない複雑な非線形依存と時間ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2024-12-12T01:16:52Z)
• Learning to Program Variational Quantum Circuits with Fast Weights [3.6881738506505988]
  本稿では,時間的あるいはシーケンシャルな学習課題に対する解決法として,QFWP(Quantum Fast Weight Programmers)を提案する。 提案したQFWPモデルは、量子リカレントニューラルネットワークの使用を必要とせずに、時間的依存関係の学習を実現する。 本研究では, 時系列予測とRLタスクにおいて, 提案したQFWPモデルの有効性を示す数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2024-02-27T18:53:18Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)

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。