論文の概要: End-to-End Neural and Quantum Transcoding for Compressed Latent Representation under Channel Noise

• arxiv url: http://arxiv.org/abs/2605.10963v1
• Date: Thu, 07 May 2026 14:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.261812
• Title: End-to-End Neural and Quantum Transcoding for Compressed Latent Representation under Channel Noise
• Title（参考訳）: チャネル雑音下での圧縮潜時表現のための終端ニューラルネットワークと量子変換
• Authors: Hyunho Cha, Wonjung Kim, Jungwoo Lee,
• Abstract要約: 伝統的な符号化方式は量子状態の知識に関する非現実的な要求を課している。 提案手法は,ニューラルネットワークに基づくデータ圧縮とColesky分解に基づく量子符号化を統合し,全密度行列再構成をバイパスする。
• 参考スコア（独自算出の注目度）: 5.1064573704995055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in quantum computing highlight the need for efficient encoding of classical data into quantum states to ensure robust quantum information processing. Traditional encoding schemes often impose impractical requirements about the knowledge of quantum states and lack adaptability to noisy quantum channels and broader tasks. To address these limitations, we propose a novel end-to-end learnable quantum transcoding scheme explicitly optimized for compactness and robustness in noisy quantum communication scenarios. Our approach integrates neural network-based data compression with Cholesky decomposition-based quantum encoding and bypasses full density matrix reconstruction. Through normalized quantum observables, our method enables efficient tomography and achieves high reconstruction and classification performance even under extreme noise conditions.
• Abstract（参考訳）: 量子コンピューティングの最近の進歩は、堅牢な量子情報処理を保証するために古典的データの量子状態への効率的な符号化の必要性を強調している。 伝統的な符号化方式は、しばしば量子状態の知識に関する非現実的な要求を課し、ノイズの多い量子チャネルやより広範なタスクへの適応性に欠ける。 これらの制約に対処するため、ノイズの多い量子通信シナリオにおいて、コンパクト性とロバスト性に明示的に最適化された、エンドツーエンドで学習可能な新しい量子トランスコーディング方式を提案する。 提案手法は,ニューラルネットワークに基づくデータ圧縮とColesky分解に基づく量子符号化を統合し,全密度行列再構成をバイパスする。 量子オブザーバブルを正規化することにより,効率的なトモグラフィが可能となり,極端雑音条件下においても高い再構成と分類性能を実現する。

関連論文リスト

• Quantum-Channel Matrix Optimization for Holevo Bound Enhancement [87.57725685513088]
  固定された入力アンサンブルを与えられた量子チャネルを最適化するために、統一された射影勾配上昇アルゴリズムを提案する。 シミュレーションの結果、提案した量子チャネル最適化により、入力アンサンブル最適化よりも高いホレボ境界が得られることが示された。
  論文  参考訳（メタデータ） (2026-02-19T04:15:03Z)
• Efficient and optimal quantum state discrimination via quantum belief propagation [6.445605125467573]
  部分空間復号化タスクと呼ばれる構造化状態判別問題に対する効率的な量子アルゴリズムを提案する。 このアルゴリズムは、バイナリ入力された古典的量子状態チャネルを介して送信される構造化された古典的線形符号の特定の族を効率よく最適に復号できることを示す。
  論文  参考訳（メタデータ） (2025-09-23T18:00:07Z)
• 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)
• Corrupted sensing quantum state tomography [0.0]
  本稿では, 量子状態と構造ノイズの同時再構成を可能にする, 劣化検出型量子状態トモグラフィの概念を提案する。 ノイズの多い量子システムにおいて、量子トモグラフィーのコストと計算労力を大幅に削減するために、これらの技術が実用的なツールとなることが考えられている。
  論文  参考訳（メタデータ） (2024-05-23T10:13:59Z)
• Explicit decoders using fixed-point amplitude amplification based on QSVT [2.3020018305241337]
  分離条件が満たされたときに量子情報を復元できる2つのデコーダを提供する。 これらは絡み合い支援と非付き合い設定の両方に適用できる。 ノイズの多いチャネルでは、デコーダを使用して、量子容量に任意に近い通信速度を達成できます。
  論文  参考訳（メタデータ） (2024-05-09T18:47:58Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Quantum Semantic Communications for Resource-Efficient Quantum Networking [52.3355619190963]
  本稿では、量子機械学習と量子意味表現の進歩を活かした新しい量子意味通信(QSC)フレームワークを提案する。 提案手法は,高い量子セマンティック忠実度を達成しつつ,必要な量子通信資源の約50～75%の削減を実現する。
  論文  参考訳（メタデータ） (2022-05-05T03:49:19Z)
• Direct Quantum Communications in the Presence of Realistic Noisy Entanglement [69.25543534545538]
  本稿では,現実的な雑音に依拠する新しい量子通信方式を提案する。 性能分析の結果,提案手法は競争力のあるQBER, 利得, 利得を提供することがわかった。
  論文  参考訳（メタデータ） (2020-12-22T13:06:12Z)

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。