論文の概要: QUIVER: Quantum-Informed Views for Enhanced Representations in Large ML Models
- arxiv url: http://arxiv.org/abs/2606.02785v1
- Date: Mon, 01 Jun 2026 18:50:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.549094
- Title: QUIVER: Quantum-Informed Views for Enhanced Representations in Large ML Models
- Title（参考訳）: QUIVER:大規模MLモデルにおける拡張表現のための量子インフォームドビュー
- Authors: Aritra Bal, Michael Binder, Markus Klute, Benedikt Maier, Michael Spannowsky,
- Abstract要約: 我々は、量子フィッシャービューで古典的なデータ駆動機能を強化するパラダイムであるQUIVERを紹介する。
QUIVERは2つのベンチマークデータセットの標準的なパフォーマンス指標を、非常に異なる分野から改善することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large machine learning models benefit substantially from multimodal inputs that provide a complementary view of the same example. We introduce QUIVER (QUantum-Informed Views for Enhanced Representations, a paradigm that enriches classical data-driven features with a quantum Fisher view: a geometrically motivated, basis-independent summary of higher-order correlations captured by a variational quantum circuit (VQC) trained to perform the same task. Unlike classical feature augmentation, the quantum Fisher information matrix encodes the intrinsic geometry of the learned quantum state manifold. While this feature map, motivated by quantum information theory, is ordinarily non-trivial to model classically, it can surface statistical structure that additional classical data or model capacity finds difficult to learn. This makes the quantum Fisher view a genuinely complementary modality rather than a redundant one. We demonstrate that QUIVER improves standard performance metrics on two benchmark datasets from very different fields: QM9 for predicting molecule properties, and JetClass for predicting jet flavor at the Large Hadron Collider (LHC). The core contribution, however, is domain-agnostic: the quantum Fisher view can be fused into a broad class of model architectures via targeted modifications to the base architecture, to incorporate information about the quantum geometry of the problem. These results demonstrate that quantum-geometric features, extracted from simulated variational circuits, can deliver measurable value for standard machine learning tasks, well before the advent of fault-tolerant quantum hardware.
- Abstract（参考訳）: 大規模な機械学習モデルは、同じ例の補完的なビューを提供するマルチモーダルな入力から大きく恩恵を受ける。
量子フィッシャービュー(quantum Fisher view)により古典的なデータ駆動的特徴を充実させるパラダイムであるQUIVER(QUantum-Informed Views for Enhanced Representations)を紹介する。
古典的特徴増強とは異なり、量子フィッシャー情報行列は学習された量子状態多様体の内在幾何学を符号化する。
この特徴写像は、量子情報理論によって動機付けられたもので、通常、古典的にモデル化することは自明ではないが、古典的なデータやモデルのキャパシティを追加することが困難であるような統計構造を表わすことができる。
これにより、量子フィッシャーのビューは、冗長なビューではなく、真に相補的なモダリティとなる。
QUIVERは分子特性を予測するQM9とLHC(Large Hadron Collider)におけるジェットのフレーバーを予測するJetClassの2つのベンチマークデータセットの標準性能指標を,非常に異なる分野から改善することを示した。
しかし、中心となる貢献はドメインに依存しない:量子フィッシャービューは、ベースアーキテクチャをターゲットとした修正によって、問題の量子幾何学に関する情報を組み込むことによって、幅広いモデルのアーキテクチャに融合することができる。
これらの結果は、量子幾何学的特徴が、シミュレーションされた変動回路から抽出され、フォールトトレラントな量子ハードウェアの出現よりずっと前に、標準的な機械学習タスクに対して測定可能な価値を提供することを示した。
関連論文リスト
- Quantum Machine Learning for particle scattering entanglement classification [0.0]
絡み合いは、粒子散乱過程における量子相関を特徴づける重要な量である。
本研究では,フェミオン密度プロファイルが,問題を分類タスクとしてフレーミングすることで,絡み合うためのプロキシとして機能するかどうかを検討する。
量子畳み込みニューラルネットワーク(QCNN)は、より高速な収束と低分散で、一貫して競争力や優れた精度を達成する。
論文 参考訳（メタデータ） (2026-04-07T15:13:38Z) - Digitized Counterdiabatic Quantum Feature Extraction [35.670314643295036]
そこで本研究では,ハミルトニアンの局所多体スピンのダイナミクスを用いて,複素特徴量を生成するハミルトン型量子特徴抽出法を提案する。
分子毒性分類と画像認識を含む高次元実世界のデータセットに対するアプローチを評価する。
その結果、量子的特徴抽出と古典的特徴抽出を組み合わせることで、さまざまな機械学習タスク間で一貫した改善が得られることが示唆された。
論文 参考訳（メタデータ） (2025-10-15T17:59:35Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。
我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。
この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
論文 参考訳（メタデータ） (2025-09-08T16:43:37Z) - Quenched Quantum Feature Maps [32.2069811127299]
本稿では,量子スピンガラスのクエンチダイナミクスを利用して複雑なデータパターンを抽出する量子特徴マッピング手法を提案する。
我々の研究は量子アドバンテージレベルにおける最初の量子MLデモを示し、量子超越性と有用な実世界の学術的・産業的応用とのギャップを埋める。
論文 参考訳（メタデータ） (2025-08-28T16:28:48Z) - 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) - What can we learn from quantum convolutional neural networks? [15.236546465767026]
量子データを利用したモデルが、隠れた特徴写像を通してどのように解釈できるかを示す。
量子位相認識の高性能は、臨界点における鋭い特徴を持つ非常に効果的な基底を生成することから生じる。
我々の分析は量子データを扱う際の一般化の改善を強調している。
論文 参考訳（メタデータ） (2023-08-31T12:12:56Z) - 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) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳（メタデータ） (2021-04-30T21:34:11Z)
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。