論文の概要: JGRA: Jacobian Geometry Robustness Assessment in NISQ Noise-Aware Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2606.09964v2
• Date: Wed, 10 Jun 2026 10:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.372809
• Title: JGRA: Jacobian Geometry Robustness Assessment in NISQ Noise-Aware Quantum Neural Networks
• Title（参考訳）: JGRA: NISQノイズ対応量子ニューラルネットワークにおけるジャコビアン幾何学ロバスト性評価
• Authors: Gianluca Scanu, Luca Barletta, Stefano Rini,
• Abstract要約: NISQ時代は、ノイズとデコヒーレンスが性能を根本的に制限する量子計算に厳格な制約を課している。 古典的なディープラーニングでは、モデルの堅牢性と摂動に対するレジリエンスがよく研究されている。 量子機械学習における中心的な課題は、このロバスト性の概念を現実的なNISQノイズの下で量子ニューラルネットワーク(QNN)に転送することである。 本稿では,ジャコビアン幾何学を用いた雑音認識QNNのロバスト性評価フレームワークJGRAを提案する。
• 参考スコア（独自算出の注目度）: 14.544049936179066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The NISQ era places stringent constraints on quantum computation, where noise and decoherence fundamentally limit performance. In classical deep learning, model robustness and resilience to perturbations are well studied: deep neural networks (DNNs) maintain high performance despite pruning, noise injection, and structural perturbations due to inherent redundancy in their representations. A central challenge in quantum machine learning is to transfer this notion of robustness to quantum neural networks (QNNs) under realistic NISQ noise. While classical deep learning exhibits robustness through structural redundancy, analogous principles for QNNs remain underdeveloped. We propose JGRA: a framework for assessing robustness in noise-aware QNNs via Jacobian geometry, capturing model sensitivity to parameter perturbations induced by noise. Our method includes entropy-matched noise calibration, noise-aware training, and noise-conditioned Jacobian extraction, yielding geometric descriptors that link clean-regime structure to noisy inference behaviour. We also empirically demonstrate that these descriptors encode predictive information about robustness under unseen noise.
• Abstract（参考訳）: NISQ時代は、ノイズとデコヒーレンスが性能を根本的に制限する量子計算に厳格な制約を課している。 古典的なディープラーニングでは、モデル堅牢性と摂動に対するレジリエンスがよく研究されている。ディープニューラルネットワーク(DNN)は、プルーニング、ノイズ注入、構造的摂動の表現に固有の冗長性によって高い性能を維持している。 量子機械学習における中心的な課題は、このロバスト性の概念を現実的なNISQノイズの下で量子ニューラルネットワーク(QNN)に転送することである。 古典的なディープラーニングは構造的冗長性を通じて堅牢性を示すが、QNNの類似原理はいまだに未発達である。 JGRA - ジャコビアン幾何学によるノイズ認識QNNのロバスト性を評価するためのフレームワークで、ノイズによって引き起こされるパラメータ摂動に対するモデル感度をキャプチャする。 提案手法は, エントロピー整合型雑音校正, ノイズ認識訓練, ノイズ調和型ジャコビアン抽出を含む。 また、これらの記述子は、目に見えない雑音下でのロバスト性に関する予測情報を符号化していることを実証的に実証した。

関連論文リスト

• Robustness Evaluation of Hybrid Quantum Neural Networks under Noise Models via System-Level Error Mitigation [2.2452005551715657]
  本研究は、ハイブリッド量子ニューラルネットワーク(HQNN)におけるノイズ効果と緩和戦略の体系的評価を提供する。 5つの代表的なノイズチャンネルを用いたIrisデータセット実験により,ノイズの影響と緩和効果がノイズモデルとその強度に強く依存していることが判明した。
  論文  参考訳（メタデータ） (2026-04-19T16:16:50Z)
• Neural Quantum States in Non-Stabilizer Regimes: Benchmarks with Atomic Nuclei [41.99844472131922]
  目的状態の量子複雑性に関連して, ニューラル量子状態の性能について検討する。 一定数の構成の場合、非安定度が大きい状態は体系的に学習するのが困難である。 この結果は、非安定化剤性が、絡み合った状態におけるRAMの圧縮と表現効率を支配する主要な要因であることを示している。
  論文  参考訳（メタデータ） (2026-03-30T16:29:42Z)
• Equation-Free Discovery of Open Quantum Systems via Paraconsistent Neural Networks [0.0]
  本稿ではParaQNN(ParaQuantum Neural Network)アーキテクチャについて述べる。 ParaQNNは、プリオリ法則に頼らずに、マルチスケールのダイナミクスを解体する。 我々はParaQNNが不完全な物理情報を持つランダムフォレスト、XGBoost、PINNモデルと比較して一貫した性能上の優位性を示すことを示した。
  論文  参考訳（メタデータ） (2026-01-19T00:48:57Z)
• Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
  本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。 QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2026-01-06T09:58:14Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Noise-resistant adaptive Hamiltonian learning [30.632260870411177]
  データ解析と量子状態シミュレーションのための適応型ハミルトン学習(AHL)モデルを提案し、低効率性などの問題を克服する。 AHLに基づく雑音耐性量子ニューラルネットワーク(RQNN)を開発した。
  論文  参考訳（メタデータ） (2025-01-14T11:12:59Z)
• sVAD: A Robust, Low-Power, and Light-Weight Voice Activity Detection with Spiking Neural Networks [51.516451451719654]
  スパイキングニューラルネットワーク(SNN)は生物学的に妥当で、電力効率が高いことが知られている。 本稿では sVAD と呼ばれる新しい SNN ベースの音声活動検出モデルを提案する。 SincNetと1D畳み込みによる効果的な聴覚特徴表現を提供し、アテンション機構による雑音の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-09T02:55:44Z)
• Robust Learning of Recurrent Neural Networks in Presence of Exogenous Noise [22.690064709532873]
  入力雑音を受けるRNNモデルに対するトラクタブルロバストネス解析を提案する。 線形化手法を用いてロバストネス測度を効率的に推定することができる。 提案手法はリカレントニューラルネットワークのロバスト性を大幅に改善する。
  論文  参考訳（メタデータ） (2021-05-03T16:45:05Z)
• Noisy Recurrent Neural Networks [45.94390701863504]
  入力データによって駆動される微分方程式の離散化として,隠れ状態に雑音を注入することによって訓練されたリカレントニューラルネットワーク(RNN)について検討する。 合理的な仮定の下では、この暗黙の正則化はより平坦なミニマムを促進し、より安定な力学を持つモデルに偏りを呈し、分類タスクではより大きな分類マージンを持つモデルを好む。 本理論は, 各種入力摂動に対するロバスト性の向上と, 最先端性能の維持を両立させる実証実験により支持された。
  論文  参考訳（メタデータ） (2021-02-09T15:20:50Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。