論文の概要: Discovering Data Encoding Strategies for Quantum-Classical Neural Networks Using Monte Carlo Tree Search
- arxiv url: http://arxiv.org/abs/2605.18540v1
- Date: Mon, 18 May 2026 15:21:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.907364
- Title: Discovering Data Encoding Strategies for Quantum-Classical Neural Networks Using Monte Carlo Tree Search
- Title（参考訳）: モンテカルロ木探索を用いた量子古典型ニューラルネットワークのためのデータ符号化手法の探索
- Authors: Lena Tokuhiro, Amine Bentellis, Jeanette Miriam Lorenz,
- Abstract要約: 量子機械学習(QML)は研究の関心を惹きつけているが、古典的なアプローチよりも実用的なメリットを提供するかどうかはまだ明らかではない。
我々はモンテカルロ木探索(MCTS)を用いて量子古典畳み込みニューラルネットワーク(QCCNN)のための最適なデータ符号化回路を発見する。
本研究は,QMLにおけるデータエンコーディングの実践的手法と,データエンコーディングの有効性に関する新たな知見を提供する。
- 参考スコア（独自算出の注目度）: 0.9558392439655014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning (QML) has attracted considerable research interest, yet whether it offers practical benefits over classical approaches remains an open question. The choice of data encoding significantly influences QML performance, but why certain encodings outperform others remains poorly understood. We employ Monte Carlo Tree Search (MCTS) to discover optimal data encoding circuits for a quantum-classical convolutional neural network (QCCNN) combining a non-variational quantum block for feature extraction with a classical classifier. Evaluating on two medical imaging datasets, the discovered circuits outperform commonly used encoding strategies while showing competitive results compared to purely classical counterparts. We further analyze metrics to identify predictors of encoding performance. Entanglement capability and Fourier decomposition provide minimal insight, whereas the effective rank of the feature maps exhibits meaningful correlation and can serve as a threshold criterion to accelerate the search for high-performing encodings. Our findings provide both a practical method for encoding discovery and new insights into what makes data encodings effective in QML.
- Abstract（参考訳）: 量子機械学習(QML)は研究の関心を惹きつけているが、古典的なアプローチよりも実用的なメリットを提供するかどうかはまだ明らかではない。
データエンコーディングの選択はQMLのパフォーマンスに大きく影響するが、なぜ特定のエンコーディングが他より優れているのかはいまだによく分かっていない。
我々はモンテカルロ木探索(MCTS)を用いて、量子古典畳み込みニューラルネットワーク(QCCNN)のための最適なデータ符号化回路を発見し、特徴抽出と古典的分類器を組み合わせた非変分量子ブロックを組み合わせた。
2つの医用画像データセットに基づいて、検出された回路は、純粋に古典的なものと比べ、競合する結果を示しながら、一般的な符号化戦略よりも優れていた。
さらにメトリクスを分析して,符号化性能の予測器を同定する。
エンタングルメント能力とフーリエ分解は最小限の洞察を与えるが、特徴写像の有効ランクは有意義な相関を示し、高い性能の符号化の探索を加速するためのしきい値基準として機能する。
本研究は,QMLにおけるデータエンコーディングの実践的手法と,データエンコーディングの有効性に関する新たな知見を提供する。
関連論文リスト
- An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - Continuous-Variable Quantum Encoding Techniques: A Comparative Study of Embedding Techniques and Their Impact on Machine Learning Performance [0.0]
連続変数量子コンピューティング(CVQC)と古典機械学習の交点について検討する。
CVQCに基づく符号化法は特徴表現性を著しく向上し,分類精度とF1スコアが向上した。
量子表現可能性と古典的学習可能性のトレードオフを考察し、これらの量子符号化を現実のアプリケーションに組み込むことの現実的な実現可能性に関する洞察を提供する。
論文 参考訳（メタデータ） (2025-04-09T00:00:45Z) - Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding [0.0]
振幅符号化は必要な量子ビットを減らすため、アングル符号化は状態の自由を良くし、表現的符号化や位相に基づく区別に使用される。
本稿では,Amplitudeエンコーディングが要求されるqubitを削減し,Angleエンコーディングが状態自由度を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なqubit使用が保証されることを示す。
論文 参考訳（メタデータ） (2025-03-18T09:36:09Z) - Understanding the effects of data encoding on quantum-classical convolutional neural networks [0.0]
量子化法の主要な構成要素は、古典的なデータを量子状態に埋め込むために使用されるデータ符号化戦略である。
本研究では、2つの医用画像データセット上での量子古典的畳み込みニューラルネットワーク(QCCNN)の性能に与える影響について検討する。
論文 参考訳（メタデータ） (2024-05-05T18:44:08Z) - Quantum Data Encoding: A Comparative Analysis of Classical-to-Quantum
Mapping Techniques and Their Impact on Machine Learning Accuracy [0.0]
本研究では,古典的機械学習(ML)アルゴリズムへの量子データ埋め込み技術の統合について検討する。
その結果,量子データの埋め込みは,分類精度とF1スコアの向上に寄与することが判明した。
論文 参考訳（メタデータ） (2023-11-17T08:00:08Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - Neural Belief Propagation Decoding of Quantum LDPC Codes Using
Overcomplete Check Matrices [60.02503434201552]
元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。
このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
論文 参考訳（メタデータ） (2022-12-20T13:41:27Z) - Understanding the Mapping of Encode Data Through An Implementation of
Quantum Topological Analysis [0.7106986689736827]
複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。
提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
論文 参考訳（メタデータ） (2022-09-21T18:46:08Z) - Great Truths are Always Simple: A Rather Simple Knowledge Encoder for
Enhancing the Commonsense Reasoning Capacity of Pre-Trained Models [89.98762327725112]
自然言語における常識推論は、人工知能システムの望ましい能力である。
複雑なコモンセンス推論タスクを解決するための典型的な解決策は、知識対応グラフニューラルネットワーク(GNN)エンコーダで事前訓練された言語モデル(PTM)を強化することである。
有効性にもかかわらず、これらのアプローチは重いアーキテクチャ上に構築されており、外部知識リソースがPTMの推論能力をどのように改善するかを明確に説明できない。
論文 参考訳（メタデータ） (2022-05-04T01:27:36Z)
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。