論文の概要: Rethinking Expressibility-Trainability Trade-off in Hybrid Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2605.25768v1
• Date: Mon, 25 May 2026 12:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.946227
• Title: Rethinking Expressibility-Trainability Trade-off in Hybrid Quantum Neural Networks
• Title（参考訳）: ハイブリッド量子ニューラルネットワークにおける表現可能性-トレイン性トレードオフの再考
• Authors: Muhammad Kashif, Muhammad Shafique,
• Abstract要約: ハイブリッド量子ニューラルネットワーク(HQNN)は、古典的ネットワークにパラメータ化量子回路(PQC)を統合する。 我々は,HQNNにおける様々な回路深度,キュービット数,絡み合いトポロジーの表現可能性-訓練性関係を系統的に解析した。 以上の結果から、純粋なPQCは弱く体制に依存したトレードオフしか示さないのに対し、ハイブリッドアーキテクチャはますます混乱し、この関係を解消できることがわかった。
• 参考スコア（独自算出の注目度）: 2.717526933594264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid quantum neural networks (HQNNs) integrate parameterized quantum circuits (PQCs) within classical networks, where the behavior of the underlying PQCs is often the primary focus of analysis. In this context, expressibility and trainability are widely used to characterize PQC's performance and are commonly assumed to exhibit a trade-off, where highly expressive circuits are more susceptible to barren plateaus. However, the validity of this relationship in HQNNs remains unclear. In this paper, we systematically analyze the expressibility--trainability relationship in HQNNs across varying circuit depths, qubit counts, entanglement topologies. We consider different training configurations, including pure PQCs, quantum-only training in hybrid setting, and full end-to-end training of hybrid models. Our results show that pure PQCs exhibit only a weak and regime-dependent trade-off, while hybrid architectures increasingly disrupt and can eliminate this relationship under full hybrid training. This indicates that classical components reshape the optimization landscape, decoupling trainability from PQC expressibility. We further propose a multi-objective neural architecture search (NAS) framework that jointly optimizes expressibility, trainability, and task performance over a combined classical--quantum design space, revealing different Pareto-optimal solutions under full end-to-end and quantum only training in hybrid setting. different trainability definitions. Our results suggest that hybridization is not just an implementation detail, but a defining factor in the performance of quantum machine learning models.
• Abstract（参考訳）: ハイブリッド量子ニューラルネットワーク(HQNN)は古典的ネットワークにパラメータ化量子回路(PQC)を統合する。 この文脈では、表現可能性と訓練性はPQCの性能を特徴付けるために広く使われており、一般的には、高表現性回路がバレンプラトーの影響を受けやすいトレードオフを示すと考えられている。 しかし、HQNNsにおけるこの関係の妥当性は未だ不明である。 本稿では,HQNNにおける各回路深度,量子数,絡み合いトポロジの表現可能性-訓練性の関係を系統的に解析する。 純粋なPQC、ハイブリッド環境での量子のみのトレーニング、ハイブリッドモデルの完全なエンドツーエンドのトレーニングなど、さまざまなトレーニング構成を検討します。 以上の結果から、純粋なPQCは弱く構造に依存したトレードオフしか示さないが、ハイブリッドアーキテクチャはますます混乱し、完全なハイブリッドトレーニングではこの関係を排除できることがわかった。 これは、古典的なコンポーネントが最適化のランドスケープを再構築し、トレーニング容易性をPQC表現性から切り離すことを示唆している。 さらに,マルチオブジェクト型ニューラルアーキテクチャ探索(NAS)フレームワークを提案する。このフレームワークは,古典的量子設計空間上での表現性,訓練性,タスク性能を両立させ,ハイブリッド環境での量子のみのトレーニングの下でのパレート最適解を明らかにする。 異なる訓練性の定義です この結果から,ハイブリダイゼーションは単に実装の詳細ではなく,量子機械学習モデルの性能決定要因であることが示唆された。

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)
• A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks [0.0]
  本稿では,QPINN-MACを用いた量子古典的ハイブリッド物理インフォームドニューラルネットワークについて紹介する。 古典的成分と量子的成分の戦略的結合により、QPINN-MACは普遍近似特性を保持する。 これらの結合が勾配崩壊を防ぎ、高次元状態においてもトレーニング性を確保することを実証する。
  論文  参考訳（メタデータ） (2025-11-10T15:39:18Z)
• Hybrid action Reinforcement Learning for quantum architecture search [22.797945771013037]
  HyRLQASは、離散ゲート配置と連続パラメータ生成を統合する統合フレームワークである。 我々はHyRLQASが低エネルギー誤差とよりコンパクトな回路構造を一貫して達成していることを示す。 これらの結果は、ハイブリッドアクション強化学習が、自動およびハードウェア効率の量子回路設計への原則的な経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2025-11-07T04:00:24Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• 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-Train with Tensor Network Mapping Model and Distributed Circuit Ansatz [0.8192907805418583]
  量子トレイン(Quantum-Train、QT)は、量子古典機械学習のハイブリッドフレームワークである。 量子状態の測定を古典的なニューラルネットワークの重みにマッピングする。 従来のQTフレームワークでは、このタスクにマルチレイヤパーセプトロン(MLP)を採用しているが、スケーラビリティと解釈可能性に苦慮している。 複数の小さな量子処理ユニットノードを持つ大規模量子機械学習用に設計された分散回路アンサッツを提案する。
  論文  参考訳（メタデータ） (2024-09-11T03:51:34Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)

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。