論文の概要: Algorithmic Advantage on a Gate-Based Photonic Quantum Neural Network
- arxiv url: http://arxiv.org/abs/2605.10801v1
- Date: Mon, 11 May 2026 16:27:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.985681
- Title: Algorithmic Advantage on a Gate-Based Photonic Quantum Neural Network
- Title（参考訳）: ゲートベースフォトニック量子ニューラルネットのアルゴリズム的アドバンテージ
- Authors: Solomon McKiernan, Luca Sapienza,
- Abstract要約: 単一光子と確率ゲートで実装されたゲートベースの変分量子分類器。
我々は,2つの展開可能な量子ニューラルネットワーク(QNN)の表現力を,その有効次元の計算により評価する。
その結果、ゲートベースのQNNを現在のフォトニックハードウェア上で効果的に実現し、訓練できることが証明された。
- 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: We report on a gate-based variational quantum classifier implemented with single photons and probabilistic gates, to emulate the standard quantum circuit model framework. We evaluate the expressive power of two deployable quantum neural networks (QNNs) by computing their effective dimension, a capacity measure grounded in a proven generalization-error bound, and compare them with classical artificial neural networks (ANNs) of equivalent trainable-parameter count. Supervised binary classification tasks are used to benchmark performance across photonic and superconducting QNNs, both of which exhibit superior converged (lower) cross-entropy loss and (higher) prediction accuracy relative to matched-parameter ANNs. For a nonlinearly separable task, our photonic QNN with a single pair of trainable parameters successfully converged (loss 0.04 and accuracy 100%), whereas the equivalent ANN failed to learn the decision boundary, saturating at random-guessing performance. We simulate photonic quantum circuits, training them on the XOR problem and a two-class Iris subset using gradient-free optimization, and assess their robustness to sampling errors under realistic noise processes including photon loss and phase-shifter imperfections. Circuits with comparatively high effective dimension were deployed remotely on a six-qubit photonic quantum processor, achieving classification accuracies of up to 100% in both online and offline learning settings. Notably, even the simplest QNN deployed, with just two trainable parameters, successfully solved tasks that classically require ANNs with at least quadruple the number of parameters, suggesting an emergent algorithmic advantage. Overall, these results demonstrate a clear proof-of-principle that gate-based QNNs can be realized and trained effectively on current photonic hardware, providing proof of algorithmic advantage on a gate-based photonic QNN.
- Abstract（参考訳）: 本稿では,標準量子回路モデルフレームワークをエミュレートするため,単一光子と確率ゲートで実装したゲートベースの変分量子分類器について報告する。
本研究では,2つの量子ニューラルネットワーク(QNN)の実効次元を計算し,その表現力を評価するとともに,実測値と実測値とを等価なトレーニングパラメータの古典的人工知能ニューラルネットワーク(ANN)と比較する。
最適化されたバイナリ分類タスクは、フォトニックおよび超伝導QNNのパフォーマンスをベンチマークするために使用され、どちらも、一致したパラメータANNに対して、より収束した(より低い)クロスエントロピー損失と(より高い)予測精度を示す。
非線形分離可能なタスクでは、トレーニング可能なパラメータの1対のフォトニックQNN(0.04と100%の精度)がうまく収束したが、同等のANNはランダムゲスティング性能で飽和する決定境界を学習できなかった。
我々は、フォトニック量子回路をシミュレートし、勾配のない最適化を用いてXOR問題と2クラスアイリス部分集合を訓練し、それらの堅牢性を評価し、光子損失や位相シフト器の不完全性を含む現実的なノイズ過程下での誤差をサンプリングする。
比較的高効率な寸法の回路は6キュービットのフォトニック量子プロセッサ上に遠隔で展開され、オンラインとオフラインの両方の学習設定で最大100%の分類精度を達成した。
特に、最も単純なQNNでも、トレーニング可能なパラメータが2つしかないため、古典的にはパラメータの数を4倍に増やすANNを必要とするタスクをうまく解決できた。
これらの結果は、ゲートベースのQNNを現在のフォトニックハードウェア上で効果的に実現し、訓練できることを明確に証明し、ゲートベースのQNNにアルゴリズム上の優位性を示す。
関連論文リスト
- Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images [34.06478657370088]
アルミニウム溶接画像の欠陥を分類するための2つのハイブリッド量子古典的手法について検討する。
畳み込みニューラルネットワークを用いて溶接画像からコンパクトかつ情報的特徴ベクトルを抽出する。
以上の結果から,CNNモデルが頑健な性能を示す一方で,ハイブリッド量子古典モデルが競争力を発揮することが示された。
論文 参考訳（メタデータ） (2026-03-30T20:48:51Z) - Quantum Convolutional Neural Network with Nonlinear Effects and Barren Plateau Mitigation [0.0]
量子ニューラルネットワーク(QNN)は、量子エンタングルメントと重畳を利用して、大規模並列線形計算を可能にする。
しかし,本質的な非線形操作の欠如やバレンプラトー現象により,実用的展開が妨げられている。
両問題に同時に対処する量子ニューラル畳み込みネットワーク(QCNN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-08-04T14:26:48Z) - Distributed Quantum Neural Networks on Distributed Photonic Quantum Computing [3.299179876684316]
トレーニング可能なパラメータが$M(M+1)/2$のフォトニック量子ニューラルネットワーク(QNN)は高次元確率分布を生成する。
フォトニックQTの精度は95.50% pm 0.84%$で、パラメータは3,292である。
フォトニックQTは6-12%の絶対精度で古典的な圧縮技術より優れている。
論文 参考訳（メタデータ） (2025-05-13T11:58:45Z) - Photonic Quantum Convolutional Neural Networks with Adaptive State Injection [0.39928148142956393]
我々は、状態注入を備えた粒子数保存回路に基づいて、最初のフォトニック量子畳み込みニューラルネットワーク(PQCNN)を設計、実験的に実装した。
半導体量子ドットを用いた単一光子源を用いたフォトニックプラットフォーム上でのバイナリ画像分類のためのPQCNNを実験的に検証した。
短期量子デバイスと互換性のある非線形ボソンサンプリングタスクに対する単純な適応手法の可能性を強調した。
論文 参考訳（メタデータ） (2025-04-29T17:57:01Z) - Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images [0.5892638927736115]
本稿では,古典的・古典的ハイブリッド畳み込みニューラルネットワーク(CNN)と,ランダム化された古典的・量子的ニューラルネットワーク(NN)の性能を比較した。
これらのアプローチを,複雑性を増大させる3つのデータセット上で評価する。
クロスデータセット性能解析では、異なる分類タスク間の量子モデルの限られた転送可能性を示した。
論文 参考訳（メタデータ） (2024-11-28T17:13:45Z) - Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
捕捉された171ドルYb$+$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) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - A general-purpose single-photon-based quantum computing platform [36.56899230501635]
本報告では,単一光子を用いたユーザ可読な汎用量子コンピューティングのプロトタイプについて報告する。
再構成可能なチップ上に、普遍線形光ネットワークを供給する高効率量子ドット単光子源を備える。
我々は、計測ベースの量子コンピューティングに向けた重要なマイルストーンである3光子エンタングルメント生成について報告する。
論文 参考訳（メタデータ） (2023-06-01T16:35:55Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z)
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。