論文の概要: Universal Quantum Transformer

• arxiv url: http://arxiv.org/abs/2606.00045v1
• Date: Wed, 29 Apr 2026 20:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.600985
• Title: Universal Quantum Transformer
• Title（参考訳）: ユニバーサル量子変換器
• Authors: Sungyong Chung, Alireza Talebpour,
• Abstract要約: 量子ネイティブコンピューティングアーキテクチャであるUniversal Quantum Transformer (UQT)を導入する。 量子アテンション回路は、非常にコンパクトな5量子ビット基板上で動作し、2つの非常に異なる形式クラスを完璧に学習することを示した。 我々はこの現象を結晶化(Crystallization)と呼ぶ。
• 参考スコア（独自算出の注目度）: 3.6739949215165164
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Classical continuous-space neural networks fundamentally struggle to lock into exact mathematical symmetries, such as modular arithmetic and non-commutative algebra. To approximate these discrete logical rules, they often rely on massive parameter scaling, resulting in stochastic instability even after delayed generalization phenomena known as grokking. Here, we introduce the Universal Quantum Transformer (UQT), a fundamentally novel, quantum-native computing architecture that uses the physical properties of multi-qubit systems as a universal inductive bias for exact mathematical and algebraic reasoning. Rather than translating classical neural mechanisms, our framework relies entirely on parameterized geometric phase embedding and $SU(2)$ wave-interference. We demonstrate that the quantum attention circuit, operating on a highly compact 5-qubit substrate, perfectly learns two highly distinct formal classes: cyclic modular arithmetic ($\mathbb{Z}_{11}$) and non-Abelian algebra (the $S_4$ permutation group). While classical attention-based networks exhibit stochastic instability at convergence, the UQT achieves mathematically exact, deterministic generalization. We refer to this phenomenon as crystallization: a step beyond the well-known phenomenon of grokking. Crucially, this framework yields massive computational and memory advantages by theoretically bypassing the quadratic bottleneck of classical self-attention, and by logarithmically compressing the required representation dimension to eliminate the massive over-parameterization inherent to classical networks. Finally, we deploy this architecture on noisy intermediate-scale quantum (NISQ) hardware, proving its viability on current IBM Quantum computers. These results establish parameterized quantum topology as a universally superior physical substrate for exact artificial intelligence.
• Abstract（参考訳）: 古典的連続空間ニューラルネットワークは、モジュラー算術や非可換代数のような正確な数学的対称性に固執することに根本的に苦労する。 これらの離散的な論理規則を近似するために、それらはしばしば大規模なパラメータスケーリングに依存し、グラッキングとして知られる遅れた一般化現象の後にも確率的不安定をもたらす。 本稿では,マルチキュービットシステムの物理特性を数学的および代数的推論のための普遍的帰納バイアスとして利用する,基本的かつ斬新な量子ネイティブコンピューティングアーキテクチャであるUniversal Quantum Transformer(UQT)を紹介する。 従来の神経機構を翻訳するのではなく、パラメータ化された幾何位相埋め込みと$SU(2)$波動干渉に依存している。 非常にコンパクトな5ビット基板上で動作する量子アテンション回路は、巡回モジュラー算術(英語版)(\mathbb{Z}_{11}$)と非アベル代数(英語版)($S_4$置換群)の2つの非常に異なる形式クラスを完全に学習することを示した。 古典的な注意に基づくネットワークは収束時に確率的不安定性を示すが、UQTは数学的に正確な決定論的一般化を達成する。 我々はこの現象を結晶化(Crystallization)と呼ぶ。 この枠組みは、理論的には古典的自己注意の二次的ボトルネックを回避し、古典的ネットワークに固有の大規模な過パラメータ化を排除するために要求される表現次元を対数的に圧縮することで、膨大な計算とメモリの利点をもたらす。 最後に、このアーキテクチャをノイズの多い中間スケール量子(NISQ)ハードウェア上に展開し、現在のIBM量子コンピュータ上で実現可能であることを示す。 これらの結果は、パラメータ化された量子トポロジーを、精度の高い人工知能のための普遍的に優れた物理基板として確立する。

関連論文リスト

• A Quantum Algorithm for Simulating Nonunitary Dynamics Governed by Nonautonomous Linear Ordinary Differential Equations [0.0]
  明示的な非単位プロパゲータの事前知識を必要としない量子アルゴリズムを提案する。 本アルゴリズムは特異値分解を用いた拡張スキームを組み合わせることで,非単体プロパゲータをユニタリの和として記述する。
  論文  参考訳（メタデータ） (2026-05-27T19:54:59Z)
• Random-Matrix-Induced Simplicity Bias in Over-parameterized Variational Quantum Circuits [72.0643009153473]
  本稿では,観測可能な期待値とパラメータ勾配の両方がシステムサイズに指数関数的に集中するHaar型普遍性クラスに,表現的変分アンサーゼが入ることを示す。 その結果、そのような回路によって誘導される仮説クラスは、近点関数の狭い族に高い確率で崩壊する。 テンソル-ネットワークベースおよびテンソル-ハイパーネットワークパラメータ化を含むテンソル構造VQCは、ハール型普遍性クラスの外にある。
  論文  参考訳（メタデータ） (2026-01-05T08:04:33Z)
• Performance Guarantees for Quantum Neural Estimation of Entropies [31.955071410400947]
  量子神経推定器(QNE)は古典的ニューラルネットワークとパラメトリズド量子回路を組み合わせたものである。 非漸近的エラーリスク境界の形で測定された相対エントロピーのQNEの形式的保証について検討する。 我々の理論は、測定された相対エントロピーに対するQNEの原則的実装を促進することを目的としている。
  論文  参考訳（メタデータ） (2025-11-24T16:36:06Z)
• QAMA: Scalable Quantum Annealing Multi-Head Attention Operator for Deep Learning [48.12231190677108]
  QAMA(Quantum Annealing Multi-Head Attention)は、エネルギーベースのハミルトン最適化問題として注目を集める新しいドロップイン演算子である。 この枠組みでは、トークン相互作用を二項二項項に符号化し、低エネルギー構成の探索に量子アニールを用いる。 経験的に、自然言語と視覚のベンチマークによる評価は、タスク全体にわたって、標準的なマルチヘッドの注意から少なくとも2.7ポイントの精度が低下していることを示している。
  論文  参考訳（メタデータ） (2025-04-15T11:29:09Z)
• Exponential quantum speedups in quantum chemistry with linear depth [0.0]
  我々は、フェルミオン魔法状態入力でマッチゲート回路を保持する粒子数との接続を証明した。 この結果を,短期ハードウェア用に設計された量子マルチ参照手法に適用する。 本稿では,短期ハードウェア上での量子化学における指数的量子優位性の実現について論じる。
  論文  参考訳（メタデータ） (2025-03-26T23:15:32Z)
• 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)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Universal measurement-based quantum computation in a one-dimensional architecture enabled by dual-unitary circuits [0.0]
  二重単位回路を多体状態に適用した後、適切な測定を行い、空間方向の量子計算を効果的に実装することを示す。 我々のプロトコルは、時空で汎用量子回路を回転させることを可能にし、量子コンピュータにおいて量子ビット数やコヒーレンス時間などのリソースを交換する方法を提供する。
  論文  参考訳（メタデータ） (2022-09-13T17:46:15Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Chaos and Complexity from Quantum Neural Network: A study with Diffusion Metric in Machine Learning [0.0]
  量子ニューラルネットワーク(QNN)の機械学習力学における量子カオス現象と複雑性について検討する。 統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
  論文  参考訳（メタデータ） (2020-11-16T10:41:47Z)

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。