論文の概要: Compositional Quantum Heuristics for Max-Clique Detection

• arxiv url: http://arxiv.org/abs/2605.07611v1
• Date: Fri, 08 May 2026 11:38:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.018406
• Title: Compositional Quantum Heuristics for Max-Clique Detection
• Title（参考訳）: 最大傾角検出のための構成量子ヒューリスティックス
• Authors: Tiffany Duneau, Colin Krawchuk, Anna Pearson,
• Abstract要約: 一般に、複雑な振る舞いをモデル化するのに十分に表現可能な回路は、しばしば不規則な台地を示す。 本研究では、より小さなサブコンポーネントからより大きな量子モデルを組み立てることで、このトレードオフを軽減するための構成的アプローチについて検討する。 このフレームワークを用いて、グラフの最大傾きを特定するために、置換同変量子グラフニューラルネットワークを設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning holds the promise of combining the success of classical machine learning methods with the power of quantum computing, however one of the largest obstacles facing the field is the problem of barren plateaus. Parameterised quantum circuits offer a flexible framework for developing quantum machine learning models, but their practicality is constrained by a trade-off between trainability and classical simulability. In general, circuits that are sufficiently expressive to model complex behaviour often exhibit barren plateaus, where gradients vanish and optimisation fails. In this work we investigate a compositional approach to mitigate this trade-off by assembling larger quantum models from smaller subcomponents. To ensure trainability of these subcomponents, we describe a framework for constructing group-invariant loss functions, which introduce symmetry-induced inductive bias and lead to improved gradient behaviour and generalisation. In particular, we use this framework to design permutation-equivariant quantum graph neural networks for identifying maximal cliques in graphs. The models we construct exhibit superior training gradients through symmetry-induced bias, and our experiments demonstrate that the trained models generalise to larger, more complex problem instances. Finally, inspired by Quantum-Informed Recursive Optimisation Algorithms (arXiv:2308.13607), we implement a recursive hybrid quantum-classical heuristic using the learned quantum models to guide a classical search procedure, demonstrating improved inference accuracy and scalability. Together, these results suggest that compositional circuits could be a viable pathway towards scalable quantum learning models that remain challenging to reproduce classically.
• Abstract（参考訳）: 量子機械学習は、古典的な機械学習手法の成功と量子コンピューティングのパワーを組み合わせるという約束を持っているが、この分野に直面する最大の障害の1つは、バレンプラトーの問題である。 パラメータ化された量子回路は、量子機械学習モデルを開発するための柔軟なフレームワークを提供するが、その実用性は、トレーニング可能性と古典的なシミュラビリティのトレードオフによって制約される。 一般に、複雑な振る舞いをモデル化するのに十分に表現可能な回路は、勾配が消え、最適化が失敗する不毛の台地を示すことが多い。 本研究では、より小さなサブコンポーネントからより大きな量子モデルを組み立てることで、このトレードオフを軽減するための構成的アプローチについて検討する。 これらのサブコンポーネントのトレーニング性を確保するために、対称性による帰納バイアスを導入し、勾配挙動と一般化を改善するグループ不変損失関数を構築するためのフレームワークを記述する。 特に、このフレームワークを用いて、グラフの最大傾きを特定するために、置換同変量子グラフニューラルネットワークを設計する。 実験では, 学習モデルがより大きく, より複雑な問題インスタンスに一般化されることを実証した。 最後に、量子インフォームド再帰最適化アルゴリズム(arXiv:2308.13607)に着想を得て、学習した量子モデルを用いて再帰的ハイブリッド量子古典的ヒューリスティックを実装し、古典的な探索手順を導出し、推論精度とスケーラビリティの向上を実証する。 これらの結果から、構成回路は古典的な再現が困難なスケーラブルな量子学習モデルへの有効な経路である可能性が示唆された。

関連論文リスト

• Efficient Quantum Algorithms for Higher-Order Coupled Oscillators [0.788073088949581]
  我々は, 単純な倉本モデルを用いて, 同期推定と非位相ロック方式の証明という2つの中心的タスクのための量子アルゴリズムを開発した。 より広範に、これらの結果は構造解析から非線形診断まで高階ネットワークの量子アルゴリズムを拡張し、大きな計算ボトルネックを緩和する。
  論文  参考訳（メタデータ） (2026-04-22T02:12:43Z)
• Generative modeling with Gaussian Boson Sampling: classically trainable Bosonic Born Machines [0.1449880056570423]
  パラメトリゼーションされたガウスボソンサンプリング回路上に構築されたフォトニック量子生成モデルを導入する。 このトレーニングは、状態のガウス構造によって実現される期待値の効率的な古典的評価に基づいている。 最大805モードと100万以上のトレーニング可能なパラメータを持つフォトニックシステムにおける数値実験によるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2026-03-11T18:04:11Z)
• 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)
• Superpositional Gradient Descent: Harnessing Quantum Principles for Model Training [0.0]
  Superpositional Gradient Descent (SGD) は、量子回路の摂動を注入することによって量子重ね合わせに勾配の更新をリンクする新しい方法である。 本稿では,PyTorch と Qiskit のハイブリッド量子古典回路を実装した数学的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-11-01T16:37:55Z)
• 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)
• Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits [0.27309692684728604]
  量子回路に基づく瞬時生成モデルは,古典的ハードウェア上で効率的に学習可能であることを示す。 データ依存型パラメータ初期化戦略と組み合わせることで、不規則な高原の問題に遭遇することはない。 量子モデルは高次元データからうまく学習でき、単純なエネルギーベースの古典的生成モデルと比較して驚くほどよく機能する。
  論文  参考訳（メタデータ） (2025-03-04T19:00:02Z)
• 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)
• Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
  変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。 この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
  論文  参考訳（メタデータ） (2023-02-09T14:05:18Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Generalization despite overfitting in quantum machine learning models [0.0]
  量子モデルにおける良性過剰適合のキャラクタリゼーションを提供する。 量子モデルのクラスが如何に類似した特徴を示すかを示す。 我々はこれらの特徴を、局所的な「スパイク」な振る舞いでノイズデータを補間する量子モデルの能力に応じて直感的に説明する。
  論文  参考訳（メタデータ） (2022-09-12T18:08:45Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

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。