論文の概要: Hybrid Quantum-Classical Neural Architecture Search
- arxiv url: http://arxiv.org/abs/2605.18345v1
- Date: Mon, 18 May 2026 12:57:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.615418
- Title: Hybrid Quantum-Classical Neural Architecture Search
- Title（参考訳）: ハイブリッド量子-古典的ニューラルアーキテクチャ探索
- Authors: Alberto Marchisio, Muhammad Kashif, Nouhaila Innan, Muhammad Shafique,
- Abstract要約: 量子機械学習の実践的アプローチとして、ハイブリッド量子古典ニューラルネットワーク(HQNN)が登場している。
HQNNとニューラルアーキテクチャサーチ(NAS)の基礎を研究し、NASが量子およびハイブリッドセッティングにどのように拡張するかを議論し、FLOPを意識したサーチを実証する。
- 参考スコア（独自算出の注目度）: 2.3283624944570436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid quantum-classical neural networks (HQNNs) are emerging as a practical approach for quantum machine learning in the noisy intermediate-scale quantum (NISQ) era, as they combine classical learning components with parameterized quantum circuits in an end-to-end trainable framework. However, their performance and efficiency depend strongly on architectural choices such as data encoding, circuit structure, measurement design, and the coupling between classical and quantum modules. This makes manual design increasingly difficult, especially when hardware limitations and resource constraints must also be taken into account. In this paper, we study the foundations of HQNNs and neural architecture search (NAS), discuss how NAS extends to quantum and hybrid settings, and demonstrate FLOPs-aware search (where FLOPs serve as a proxy for computational complexity), as an important hardware-aware direction for building HQNNs that are not only accurate but also computationally efficient and practically deployable.
- Abstract（参考訳）: ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な学習コンポーネントとパラメータ化された量子回路をエンドツーエンドのトレーニング可能なフレームワークで組み合わせることで、ノイズの多い中間スケール量子(NISQ)時代の量子機械学習の実践的アプローチとして浮上している。
しかし、それらの性能と効率は、データ符号化、回路構造、測定設計、古典モジュールと量子モジュールの結合といったアーキテクチャ上の選択に強く依存している。
これにより、特にハードウェアの制限やリソースの制約も考慮しなければならない場合、手動設計がますます困難になる。
本稿では、HQNNとニューラルアーキテクチャサーチ(NAS)の基礎を考察し、NASが量子的およびハイブリッドな設定にどのように拡張するかを議論し、FLOPを意識したサーチ(FLOPが複雑性のプロキシとして機能する)を、正確であるだけでなく、計算的かつ実用的なデプロイが可能なHQNNを構築するための重要なハードウェア意識の方向として示す。
関連論文リスト
- Closing the Loop: Resource-aware Hybrid NAS Guided by Analytical and Hardware-Calibrated Quantum Cost Modeling [2.5435687567731926]
実際のデバイス上での量子回路のトレーニングには数千の回路実行が必要であり、現在のNISQデバイスでは現実的ではない。
実バックエンドキャリブレーションデータを用いて,量子ハードウェア資源を推定する解析的量子コストモデルを提案する。
本稿では,ハードウェアを意識したハイブリッドニューラルネットワーク検索フレームワークHyb-HANASについて述べる。
論文 参考訳（メタデータ） (2026-02-28T12:34:23Z) - 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) - FAQNAS: FLOPs-aware Hybrid Quantum Neural Architecture Search using Genetic Algorithm [2.1702673021505245]
ハイブリット量子ニューラルネットワーク(HQNN)は、ノイズの多い中間スケール量子(NISQ)時代に有望なモデルとして出現している。
FLOPを意識したニューラルネットワーク探索(NAS)フレームワークであるFAQNASを導入し、HQNN設計を多目的最適化問題バランス精度とFLOPsとして定式化する。
NISQ時代のHQNN設計の実践的基準としてFLOPを意識し、将来のHQNNシステムのスケーラブルな原則として確立した。
論文 参考訳（メタデータ） (2025-11-13T08:04:17Z) - 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) - RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。
与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。
量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文 参考訳（メタデータ） (2025-06-04T08:30:35Z) - Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。
ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。
微分可能最適化を用いた自動解法を提案する。
論文 参考訳（メタデータ） (2025-05-13T19:01:08Z) - Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。
量子回路を局所的に近似する有接サロゲートqtDNNを導入する。
我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
論文 参考訳（メタデータ） (2025-03-12T07:12:02Z) - 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) - Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。
本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。
我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
論文 参考訳（メタデータ） (2024-02-16T11:44:25Z) - 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。