論文の概要: Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices

• arxiv url: http://arxiv.org/abs/2605.22097v1
• Date: Thu, 21 May 2026 07:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.142564
• Title: Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices
• Title（参考訳）: Q-PhotoNAS:フォトニックデバイス上でのハイブリッド量子ニューラルネットワーク検索フレームワーク
• Authors: Farah Elnakhal, Alberto Marchisio, Nouhaila Innan, Gabriel Falcao, Muhammad Shafique,
• Abstract要約: フォトニック量子コンピューティングは、スケーラブルな量子機械学習のための有望なプラットフォームである。 既存のアプローチは、古典的な前処理、位相符号化、フォトニック回路構造の間の協調を考慮できない手動チューニングアーキテクチャに依存している。 本稿では,遺伝的アルゴリズムに基づく探索と学習可能な量子位相符号化を組み合わせたハイブリッドフォトニック量子古典モデルのためのニューラルネットワーク探索フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.6922241225158774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photonic quantum computing is a promising platform for scalable quantum machine learning, but designing effective hybrid architectures remains challenging under hardware and optimization constraints. Existing approaches rely on manually tuned architectures that fail to account for the collaboration between classical preprocessing, phase encoding, and photonic circuit structure, limiting both accuracy and hardware compatibility. In this paper, we propose a neural architecture search framework for hybrid photonic quantum-classical models that combines genetic algorithm-based search with learnable quantum phase encoding to systematically explore the joint design space of classical and quantum components. Our framework encodes 19 hyperparameters across six gene groups and evolves a population of hybrid architectures using group-based crossover, per-gene mutation, and elitism, evaluating each candidate on a short training budget before full retraining of the best found design. We evaluate our framework on two image classification benchmarks, Digits and MNIST, achieving final validation accuracies of 99.44% and 98.78%, respectively, with first-principles execution time estimates on the Quandela Ascella photonic QPU projecting single-image inference at 67 ms (Digits) and 149 ms (MNIST). Our quantum contribution analysis further shows that the photonic layer extracts non-redundant features orthogonal to the classical pathway, providing a measurable accuracy advantage over classical-only baselines. Our results demonstrate that automated architecture search is both practical and impactful for hybrid photonic systems, opening the way for systematic design space exploration of quantum AI on photonic devices.
• Abstract（参考訳）: フォトニック量子コンピューティングはスケーラブルな量子機械学習のための有望なプラットフォームであるが、ハードウェアと最適化の制約の下で効果的なハイブリッドアーキテクチャを設計することは依然として困難である。 既存のアプローチは、従来の前処理、位相符号化、フォトニック回路構造の間の協調を考慮せず、精度とハードウェアの互換性の両方を制限した手動チューニングアーキテクチャに依存している。 本稿では、遺伝的アルゴリズムに基づく探索と学習可能な量子位相エンコーディングを組み合わせたハイブリッドフォトニック量子古典モデルのためのニューラルネットワーク探索フレームワークを提案し、古典的および量子的コンポーネントの結合設計空間を体系的に探索する。 本フレームワークは、6つの遺伝子群にまたがる19のハイパーパラメータを符号化し、グループベースのクロスオーバー、遺伝子ごとの突然変異、エリート主義を用いてハイブリッドアーキテクチャの集団を進化させる。 我々は,2つの画像分類ベンチマークであるDigitsとMNISTについて,最終検証精度が99.44%,98.78%,Quandela AscellaフォトニックQPUが67ms (Digits) と149ms (MNIST) であることを示す。 我々の量子コントリビューション分析により、フォトニック層は古典的経路に直交する非冗長な特徴を抽出し、古典的のみの基底線に対して測定可能な精度の優位性を与えることが示された。 この結果から,ハイブリッドフォトニクスシステムにおいて,自動アーキテクチャ探索は実用的かつ影響が大きいことが示され,フォトニックデバイス上での量子AIの空間探索を体系的に設計する道が開けた。

関連論文リスト

• 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)
• 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)
• 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)
• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• A Spin-Optical Quantum Computing Architecture [0.0]
  フォールトトレラント量子コンピューティング用に設計された適応性とモジュール型ハイブリッドアーキテクチャを提案する。 量子エミッターと線形光学的エンタングゲートを組み合わせて、物質ベースのアプローチとフォトニックベースのアプローチの両方の強度を利用する。
  論文  参考訳（メタデータ） (2023-11-09T18:59:05Z)
• 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)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)

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。