論文の概要: Analog Quantum Asynchronous Event-Based Graph Neural Network

• arxiv url: http://arxiv.org/abs/2606.11000v1
• Date: Tue, 09 Jun 2026 15:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.584794
• Title: Analog Quantum Asynchronous Event-Based Graph Neural Network
• Title（参考訳）: アナログ量子非同期イベントベースグラフニューラルネットワーク
• Authors: Kristian Sotirov, Shaheen Acheche, Antonio A. Gentile, Osvaldo Simeone,
• Abstract要約: 非同期でイベントベースのグラフニューラルネットワーク(AEGNN)は、イベントカメラからスパースおよび高時間分解能データを処理するための効率的なパラダイムとして登場した。 我々は中性原子量子コンピュータ上でAEGNNを実装するための新しいフレームワークである量子アナログAEGNN(QA-AEGNN)を提案する。
• 参考スコア（独自算出の注目度）: 24.379513848993565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Asynchronous, event-based graph neural networks (AEGNNs) have recently emerged as an efficient paradigm for processing the sparse and high-temporal-resolution data from event cameras. In this paper, we propose quantum analog AEGNNs (QA-AEGNNs), a novel framework to implement an AEGNN on a neutral-atom quantum computer. Neutral-atom quantum processors offer a programmable analog quantum computing platform based on controllable Rydberg-atom interactions. To this end, we map the streaming event data to an array of trapped neutral atoms, where each atom represents a graph node (event) and is positioned such that geometric proximity reflects the spatio-temporal neighborhood of events. The native Rydberg Hamiltonian of the quantum processor is programmed to mirror the message-passing computations of the AEGNN, with atomic qubit states serving as node feature embeddings and inter-atom interactions realizing graph edges. Furthermore, we propose a hybrid quantum-classical training scheme in which the analog Hamiltonian parameters (e.g., laser pulse amplitudes and detunings) are optimized using classical feedback to learn the quantum AEGNN model from data. Our approach leverages the continuous Hamiltonian dynamics and massive parallelism of neutral-atom quantum systems to natively execute event-based graph computations with potential accuracy improvements
• Abstract（参考訳）: 非同期でイベントベースのグラフニューラルネットワーク(AEGNN)は、イベントカメラからスパースおよび高時間分解能データを処理するための効率的なパラダイムとして最近登場した。 本稿では、中性原子量子コンピュータ上でAEGNNを実装するための新しいフレームワークである量子アナログAEGNN(QA-AEGNN)を提案する。 ニュートラル原子量子プロセッサは、制御可能なライドバーグ原子相互作用に基づくプログラム可能なアナログ量子コンピューティングプラットフォームを提供する。 この目的のために、我々はストリーミングイベントデータを、各原子がグラフノード(イベント)を表す、閉じ込められた中性原子の配列にマッピングし、幾何学的近接が事象の時空間近傍を反映するように配置する。 量子プロセッサのネイティブRydberg Hamiltonianは、AEGNNのメッセージパス計算を反映するようにプログラムされており、ノードの特徴埋め込みやグラフエッジを実現する原子間相互作用として機能する原子量子ビット状態がある。 さらに、アナログハミルトンパラメータ(例えば、レーザーパルス振幅やデチューニング)を古典的なフィードバックを用いて最適化し、データから量子AEGNNモデルを学習するハイブリッド量子古典的トレーニング手法を提案する。 我々のアプローチは、中性原子量子系の連続ハミルトニアン力学と大規模並列性を利用して、潜在的に精度を向上したイベントベースのグラフ計算をネイティブに実行する。

関連論文リスト

• Edge-Local and Qubit-Efficient Quantum Graph Learning for the NISQ Era [0.0]
  ノイズの多い中間規模量子状態における教師なし学習のために明示的に設計された完全量子グラフ畳み込みアーキテクチャを導入する。 我々のモデルは、ハードウェアネイティブなシングルビットゲートと2ビットゲートのみを使用して、グラフエッジに沿ったペアワイズインタラクションにメッセージパッシングを分解する。
  論文  参考訳（メタデータ） (2026-02-17T21:17:42Z)
• Quantum network tomography of Rydberg arrays by machine learning [0.0]
  ライドバーグ原子は、量子計算と量子シミュレーションのための汎用的なプラットフォームであり、制御可能なデコヒーレンスを可能にする。 理論的には、人工ニューラルネットワークを用いた機械学習により、オープン量子力学のモデルを構築するためのテクニックの実証実証も可能であることを実証する。
  論文  参考訳（メタデータ） (2024-12-07T20:41:34Z)
• Simulation of Entanglement Generation between Absorptive Quantum Memories [56.24769206561207]
  我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。 本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。 本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
  論文  参考訳（メタデータ） (2022-12-17T05:51:17Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• 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)
• Realizing Quantum Convolutional Neural Networks on a Superconducting Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
  量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。 我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。 その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:32:57Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• Monitoring Quantum Simulators via Quantum Non-Demolition Couplings to Atomic Clock Qubits [0.0]
  本稿では, アナログ量子シミュレータの時間発展を, 補助クロックのキュービットへの量子非分解(QND)結合によって監視することについて議論する。 ツイーザーアレイに閉じ込められたライドバーグ原子に対する基礎となるQNDハミルトニアンの物理的実装について述べる。 本稿では,量子多体系のスペクトル形成係数を測定するための量子プロトコルについて論じる。
  論文  参考訳（メタデータ） (2020-05-30T08:02:12Z)

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。