論文の概要: Quantum State Preparation via Neural Network Encoding in Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2605.31006v1
• Date: Fri, 29 May 2026 08:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.480284
• Title: Quantum State Preparation via Neural Network Encoding in Quantum Machine Learning
• Title（参考訳）: 量子機械学習におけるニューラルネットワーク符号化による量子状態生成
• Abstract要約: 量子機械学習における中心的な課題は、状態準備ボトルネックである。 固定量子回路の連続パラメータに直接入力データをマッピングするために,古典的ニューラルネットワークを訓練することで反復最適化を回避する手法を提案する。 トレーニング中に見えないデータに対して高忠実度で量子画像状態の生成を実証する。
• 参考スコア（独自算出の注目度）: 1.0914870876968699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central challenge in quantum machine learning is the state preparation bottleneck that describes the prohibitive computational cost of loading high-dimensional classical data into a quantum state. Although amplitude encoding can represent $2^n$-dimensional data using only $n$ qubits in principle, preparing arbitrary states remains computationally expensive, typically requiring variational optimization of a parameterized quantum circuit for each individual data instance. In this work, we propose a method that avoids iterative optimization by training a classical neural network to map input data directly to the continuous parameters of a fixed quantum circuit. We demonstrate the generation of quantum image states with high fidelity on data not seen during training. Since all optimization is performed once during training, the resulting model encodes new inputs in a single inference step, providing a scalable pathway for data loading in near-term quantum algorithms. We validate our method on the MNIST and Fashion-MNIST datasets, achieving fidelities up to 0.992 on unseen images and reducing the per-data-instance runtime by more than 5000-fold.
• Abstract（参考訳）: 量子機械学習における中心的な課題は、高次元の古典データを量子状態にロードすることの禁止的な計算コストを記述する状態準備ボトルネックである。 振幅符号化は原則として$n$ qubitsのみを用いて2^n$次元のデータを表現することができるが、任意の状態を作成するには計算コストがかかる。 本研究では,従来のニューラルネットワークをトレーニングし,入力データを固定量子回路の連続パラメータに直接マッピングすることで,反復最適化を回避する手法を提案する。 トレーニング中に見えないデータに対して高忠実度で量子画像状態の生成を実証する。 すべての最適化はトレーニング中に一度実行されるので、結果として得られたモデルは単一の推論ステップで新しい入力を符号化し、短期量子アルゴリズムにおけるデータのロードのためのスケーラブルな経路を提供する。 提案手法はMNISTとFashion-MNISTのデータセット上で検証し,未確認画像上で最大0.992の忠実度を実現し,データ単位のランタイムを5000倍以上削減する。

関連論文リスト

• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• Typical Machine Learning Datasets as Low-Depth Quantum Circuits [0.04654705430482874]
  我々は,従来の画像データを量子状態としてロードする低深度量子回路を見つけるための効率的なアルゴリズムを開発した。 我々は,MNIST,Fashion-MNIST,CIFAR-10,Imagenetteデータセットについて系統的研究を行った。
  論文  参考訳（メタデータ） (2025-05-06T10:27:51Z)
• Training quantum machine learning models on cloud without uploading the data [0.0]
  本稿では,入力データを符号化する前にパラメータ化量子回路を動作させる手法を提案する。 これにより、データセット所有者は、量子クラウドプラットフォーム上で機械学習モデルをトレーニングすることができる。 また、後に古典的な計算を用いて大量のデータを効果的に符号化することも可能である。
  論文  参考訳（メタデータ） (2024-09-06T20:14:52Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• $ζ$-QVAE: A Quantum Variational Autoencoder utilizing Regularized Mixed-state Latent Representations [1.0687104237121408]
  量子コンピューティングにおける大きな課題は、量子ハードウェアリソースが不足しているため、大規模な実世界のデータセットに適用することである。 古典的VAEのすべての機能を含む完全量子フレームワークである$zeta$-QVAEを提示する。 我々の結果は、$zeta$-QVAEが潜在空間の容量をよりよく活用する表現を学習していることを示している。
  論文  参考訳（メタデータ） (2024-02-27T18:37:01Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• An Amplitude-Based Implementation of the Unit Step Function on a Quantum Computer [0.0]
  量子コンピュータ上での単位ステップ関数の形で非線形性を近似するための振幅に基づく実装を提案する。 より先進的な量子アルゴリズムに埋め込まれた場合、古典的コンピュータから直接入力を受ける2つの異なる回路タイプを量子状態として記述する。
  論文  参考訳（メタデータ） (2022-06-07T07:14:12Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantum process tomography with unsupervised learning and tensor networks [0.0]
  本稿では,量子プロセストモグラフィーを行う新しい手法を提案する。 チャネルのテンソルネットワーク表現と、教師なし機械学習にインスパイアされたデータ駆動最適化を組み合わせる。 私たちの結果は最先端以上のもので、現在の量子コンピュータと短期量子コンピュータで量子回路をベンチマークするための実用的でタイムリーなツールを提供しています。
  論文  参考訳（メタデータ） (2020-06-03T17:54:23Z)
• Quantum Gram-Schmidt Processes and Their Application to Efficient State Read-out for Quantum Algorithms [87.04438831673063]
  本稿では、生成した状態の古典的ベクトル形式を生成する効率的な読み出しプロトコルを提案する。 我々のプロトコルは、出力状態が入力行列の行空間にある場合に適合する。 我々の技術ツールの1つは、Gram-Schmidt正則手順を実行するための効率的な量子アルゴリズムである。
  論文  参考訳（メタデータ） (2020-04-14T11:05:26Z)

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。