論文の概要: Quantum Parameterized Self-Attention Network for Image Classification

• arxiv url: http://arxiv.org/abs/2605.25365v1
• Date: Mon, 25 May 2026 02:44:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.258308
• Title: Quantum Parameterized Self-Attention Network for Image Classification
• Title（参考訳）: 画像分類のための量子パラメタライズドセルフアテンションネットワーク
• Authors: Wenwei Zhang, Jintao Wang, Tianyu Ye, Changgeng Liao,
• Abstract要約: 量子ベースの自己アテンションスコアリング関数を提案する。 複雑な非線形クエリキー相互作用を捕捉し,符号化層の構造的制約を定量化する。 4つのヴィジュアルデータセットの実験では、QPSANはヴィジュアルトランスフォーマー(ViT)ベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 27.317371900372127
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Transformer now underpins modern AI as its core infrastructure. Its defining capability-dynamically focusing on the most relevant information in complex inputs-is bounded above by the self-attention scoring function. Quantum computing, with its superposition, entanglement, and probabilistic outputs, offers a fundamentally distinct computational framework for exploring beyond the design constraints of classical scoring functions. While quantum attention mechanisms have shown initial promise, existing works remain largely confined to redefining feature similarity measures, leaving the systematic use of parameterized quantum circuits (PQCs) as scoring functions largely unexplored; a substantial portion of existing schemes further rely on purely quantum architectures, precluding effective encoding of high-dimensional image inputs in the Noisy Intermediate-Scale Quantum era. We propose the Quantum Parameterized Self-Attention Network (QPSAN), implementing the self-attention scoring function via PQCs with only 5 trainable quantum parameters per layer. QPSAN computes query-key attention scores through quantum state encoding and joint measurement, yielding naturally bounded outputs without the explicit scaling of classical dot-product attention. We further establish a theoretical framework of the mathematical properties of this scoring function, demonstrating its potential to capture complex nonlinear query-key interactions, and quantifying the structural constraints of the encoding layer via effective degrees of freedom analysis. Experiments on four vision datasets show that QPSAN significantly outperforms the Vision Transformer (ViT) baseline, with the quantum representational advantage amplifying as data complexity increases. Ablation studies indicate that the performance gains may stem from the structural inductive bias of the quantum circuit rather than from parameter scale.
• Abstract（参考訳）: Transformerは、現在のAIをコアインフラストラクチャとして支えている。 その能力の定義は、複雑な入力における最も関連性の高い情報に動的に焦点を合わせ、上述の自己アテンションスコアリング関数によって境界づけられている。 量子コンピューティングは、その重ね合わせ、絡み合い、確率的な出力を持ち、古典的なスコアリング関数の設計制約を越えて探索するための、根本的に異なる計算フレームワークを提供する。 量子アテンション機構は初期の可能性を示しているが、既存の研究は特徴類似性尺度の再定義に限られており、パラメータ化量子回路(PQC)の体系的な使用はほとんど探索されていない。 本稿では,PQCによる自己アテンションスコアリング機能を実装したQPSAN(Quantum Parameterized Self-Attention Network)を提案する。 QPSANは、量子状態エンコーディングとジョイント測定によってクエリキーのアテンションスコアを計算し、古典的なドット積アテンションの明示的なスケーリングなしに自然に有界な出力を得る。 さらに、このスコアリング関数の数学的性質の理論的枠組みを確立し、複雑な非線形クエリキー相互作用を捕捉し、効率的な自由度解析により符号化層の構造的制約を定量化する可能性を示す。 4つの視覚データセットの実験により、QPSANはビジョントランスフォーマー(ViT)ベースラインを著しく上回り、データの複雑さが増大するにつれて量子表現の優位性が増幅されることが示された。 アブレーション研究は、性能向上はパラメータスケールではなく、量子回路の構造的帰納バイアスに起因する可能性があることを示唆している。

関連論文リスト

• Quantum Graph Attention Network: A Novel Quantum Multi-Head Attention Mechanism for Graph Learning [0.0]
  量子グラフ注意ネットワーク(Quantum Graph Attention Network、QGAT)は、変動量子回路をアテンション機構に統合するハイブリッドグラフニューラルネットワークである。 複雑な構造的依存関係を捕捉するQGATの有効性を示し、帰納的シナリオにおける一般化を改善した。 実験により、量子埋め込みは特徴や構造的ノイズに対するロバスト性を高め、実世界のノイズデータを扱う利点を示唆している。
  論文  参考訳（メタデータ） (2025-08-25T03:25:48Z)
• 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)
• Quantum autoencoders for image classification [0.0]
  量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。 本研究では,QAEを用いた新しい画像分類手法を提案する。
  論文  参考訳（メタデータ） (2025-02-21T07:13:38Z)
• Quantum Mixed-State Self-Attention Network [3.1280831148667105]
  本稿では,自然言語処理タスクのためのQMSAN(Quantum Mixed-State Self-Attention Network)を提案する。 QMSANは混合状態に基づく量子アテンション機構を使用し、量子領域内のクエリとキー間の直接的な類似度推定を可能にする。 また、回路内の固定量子ゲートを介して実装された革新的な量子位置符号化方式を提案し、追加の量子ビットリソースを使わずにシーケンス情報をキャプチャする能力を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T11:29:05Z)
• 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)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。