論文の概要: Qlustering for Data Clustering via Network-Based Quantum Transport

• arxiv url: http://arxiv.org/abs/2605.10844v1
• Date: Mon, 11 May 2026 16:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:51.012079
• Title: Qlustering for Data Clustering via Network-Based Quantum Transport
• Title（参考訳）: ネットワークベースの量子輸送によるデータクラスタリングのためのキュースタリング
• Authors: Shmuel Lorber, Yonatan Dubi,
• Abstract要約: 我々は、GKSLマスター方程式によって支配される量子ネットワークにおける定常量子輸送に基づく、教師なしクラスタリングフレームワークであるQlusteringを紹介する。 提案手法は, 合成データセット, 局所化, QM9 と Iris でベンチマークし, 幅広いデフォーカス強度に対して, 競争性能と安定性を見出した。
• 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: Analog quantum computation offers a route to machine learning using controllable physical dynamics as a computational resource. However, many existing approaches rely on task-specific protocols or observables that are difficult to access experimentally, limiting generality and implementation. Here we introduce Qlustering, an unsupervised clustering framework based on steady-state quantum transport in quantum networks governed by the GKSL master equation, developed through algorithm-hardware co-design. Data are encoded as input states, and cluster assignments are inferred from steady-state output currents, avoiding full state tomography in favor of accessible transport observables. The method realizes a hybrid classical-quantum workflow in which data preparation and training are performed classically, while clustering is carried out by transport dynamics. We benchmark the method on synthetic datasets, localization, and QM9 and Iris, finding competitive performance and stability over a broad range of dephasing strengths. These results show that unlabeled data structure can be extracted directly from steady-state transport observables, identifying terminal-current readout as a native, tomography-free mechanism for unsupervised learning in open quantum networks.
• Abstract（参考訳）: アナログ量子計算は、制御可能な物理力学を計算資源とする機械学習へのルートを提供する。 しかし、既存の多くのアプローチは、汎用性や実装を制限し、実験的にアクセスし難いタスク固有のプロトコルやオブザーバブルに依存している。 本稿では,GKSLマスター方程式が支配する量子ネットワークにおける定常量子輸送に基づく,教師なしクラスタリングフレームワークであるQlusteringを紹介する。 データは入力状態として符号化され、クラスタ割り当ては定常的な出力電流から推測される。 本手法は,データ準備とトレーニングを古典的に行うハイブリッドな古典量子ワークフローを実現するとともに,移動力学によりクラスタリングを行う。 提案手法は, 合成データセット, 局所化, QM9 と Iris でベンチマークし, 幅広いデフォーカス強度に対して, 競争性能と安定性を見出した。 これらの結果から, オープン量子ネットワークにおける教師なし学習のための非教師なし学習機構として, 終端電流の読み出しをネイティブなトモグラフィフリー機構として同定し, 定常輸送観測器から直接ラベル付きデータ構造を抽出できることが示唆された。

関連論文リスト

• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Qlustering: Harnessing Network-Based Quantum Transport for Data Clustering [0.0]
  我々は、ネットワークベースの量子トランスポートを利用してデータクラスタリングを行う、教師なし学習のための量子インスピレーション付きアルゴリズムであるQlusteringを紹介する。 データはリンドブラッド方程式によって支配される定常結合ハミルトン電流の入力状態として符号化される。 我々はQlusteringを、合成データセット、ローカライゼーション問題、実世界の化学データに基づいてベンチマークする。
  論文  参考訳（メタデータ） (2025-10-26T15:55:01Z)
• Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
  量子機械学習は、環境モニタリング、医療診断、金融モデリングといった様々な応用において有望であることを示している。 重要な課題のひとつは、希少なイベントがスキューデータ分散によって誤って分類される、不均衡なデータセットを扱うことだ。 本稿では,QBNを用いて衛星由来の不均衡データセットを分類し,非スパイル領域とオイルスパイル'を区別するベイズ的手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T15:44:26Z)
• Measurement-based quantum convolutional neural network for deep learning [7.689125776844024]
  本稿では,クラスタ状態を利用して量子畳み込みニューラルネットワーク(QCNN)を実装するための代替手法を提案する。 システム全体の安定化は、複雑な制御を避けることで容易である。 クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-12-11T08:55:07Z)
• Quantum Federated Learning for Distributed Quantum Networks [9.766446130011706]
  本稿では,量子力学の興味深い特徴を利用した分散量子ネットワークのための量子フェデレーション学習を提案する。 分散量子ネットワーク内のクライアントがローカルモデルをトレーニングするのを助けるために、量子勾配降下アルゴリズムが提供される。 量子セキュアなマルチパーティ計算プロトコルを設計し,中国の残差定理を用いた。
  論文  参考訳（メタデータ） (2022-12-25T14:37:23Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum Similarity Testing with Convolutional Neural Networks [4.540894342435848]
  制約データと雑音データを用いて未知の連続変数状態を比較する機械学習アルゴリズムを開発した。 我々のアプローチは、低次元状態表現に基づいて量子状態の類似性を評価する畳み込みニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2022-11-03T09:24:23Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。