論文の概要: Trainable Quantum Channels as Computational Primitives for Quantum Learning
- arxiv url: http://arxiv.org/abs/2606.15808v1
- Date: Sun, 14 Jun 2026 13:19:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.86274
- Title: Trainable Quantum Channels as Computational Primitives for Quantum Learning
- Title（参考訳）: 量子学習のための計算プリミティブとしてのトレーニング可能な量子チャネル
- Abstract要約: 変分量子学習は伝統的にユニタリ力学に制約される。
我々は,オープンシステムダイナミクスを基盤とした,一元的ではない量子機械学習フレームワークを構築した。
- 参考スコア（独自算出の注目度）: 2.047424180164312
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Variational quantum learning is traditionally constrained to unitary dynamics, often treating quantum channels as detrimental noise. In this work, we reformulate the quantum channels as trainable computational primitives and establish a non-unitary quantum machine learning framework grounded in open-system dynamics. We demonstrate that the outputs of channel-enhanced quantum models form a structured superposition of multiple functional components. Each component is governed by an effective observable whose spectrum can be adaptively modulated during training, a significant departure from the spectral invariance in unitary transformations. Moreover, the proposed framework generalizes conventional unitary quantum models by retaining them as a special case while introducing additional non-unitary degrees of freedom. Furthermore, we reveal that trainable quantum channels enrich the optimization geometry through ensemble-averaged gradient and additional optimization directions induced by the Kraus operators. Empirical evaluations on classification tasks using trainable amplitude-damping and phase-damping channels confirm enhanced optimization dynamics and predictive performance. Our work provides a principled approach for leveraging quantum channels as trainable resources and advances the design of high-performance quantum learning architectures.
- Abstract（参考訳）: 変分量子学習は伝統的にユニタリ力学に制約されており、しばしば量子チャネルを有害ノイズとして扱う。
本研究では、量子チャネルをトレーニング可能な計算プリミティブとして再構成し、オープンシステムダイナミクスに基づく非一元的量子機械学習フレームワークを確立する。
チャネル強化量子モデルの出力が、複数の機能成分の構造化重ね合わせを形成することを実証する。
それぞれの成分は、トレーニング中にスペクトルを適応的に変調できる効果的な観測可能であり、ユニタリ変換におけるスペクトル不変性から著しく離れている。
さらに,従来のユニタリ量子モデルを特殊ケースとして保持し,非ユニタリ自由度を付加することにより一般化する。
さらに、トレーニング可能な量子チャネルは、クラウス演算子によって誘導される平均勾配と追加の最適化方向によって最適化の幾何を豊かにすることを明らかにした。
トレーニング可能な振幅減衰チャネルと位相減衰チャネルを用いた分類タスクの実証評価により,最適化力学と予測性能が向上した。
我々の研究は、量子チャネルをトレーニング可能なリソースとして活用するための原則的なアプローチを提供し、高性能な量子学習アーキテクチャの設計を進歩させる。
関連論文リスト
- Learnable yet not simulable: a quantum resource theory of learning models [57.695822250391906]
量子資源が量子回路の古典的な学習可能性を支配するかは、いまだ不明である。
チューナブル量子回路系の期待値関数について検討する。
これらの結果は,古典シミュレーションと学習の境界を記述するための定量的な資源理論の枠組みを確立する。
論文 参考訳（メタデータ） (2026-08-03T14:48:03Z) - Compositional Quantum Heuristics for Max-Clique Detection [0.0]
一般に、複雑な振る舞いをモデル化するのに十分に表現可能な回路は、しばしば不規則な台地を示す。
本研究では、より小さなサブコンポーネントからより大きな量子モデルを組み立てることで、このトレードオフを軽減するための構成的アプローチについて検討する。
このフレームワークを用いて、グラフの最大傾きを特定するために、置換同変量子グラフニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2026-05-08T11:38:57Z) - Efficient training of photonic quantum generative models [0.0]
本稿では,古典的シミュレーションを効率的に行うことができる中間複雑回路の特性を利用する。
本稿では,光子固有量子生成モデルの最大平均誤差に基づく効率的なトレーニング手法を提案する。
論文 参考訳（メタデータ） (2026-03-09T18:00:11Z) - Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。
このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。
我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
論文 参考訳（メタデータ） (2026-01-29T14:29:21Z) - Multi-channel convolutional neural quantum embedding [10.620759775107787]
量子計算の標準回路モデルに限らず,量子埋め込みを最適化するための古典量子ハイブリッド手法を提案する。
我々は,CIFAR-10とTiny ImageNetデータセットを用いて,フレームワーク内の各種モデルの性能をベンチマークした。
論文 参考訳（メタデータ） (2025-09-26T13:51:40Z) - Quantum Adaptive Excitation Network with Variational Quantum Circuits for Channel Attention [0.2812395851874055]
量子適応励起ネットワーク(QAE-Net)について紹介する。
QAE-Netは、畳み込みニューラルネットワーク(CNN)におけるチャネルアテンションメカニズムを強化するために設計されたハイブリッド量子古典フレームワークである。
論文 参考訳（メタデータ） (2025-07-15T11:40:37Z) - 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) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - Flowing Through Hilbert Space: Quantum-Enhanced Generative Models for Lattice Field Theory [0.9208007322096533]
このような状態下での量子強調サンプリングを探索するために,ハイブリッド量子古典正規化フローモデルを開発した。
提案手法では,パラメータ化量子回路を古典正規化フローアーキテクチャに組み込み,振幅エンコーディングと量子絡み合いを利用して生成過程における表現性を高める。
論文 参考訳（メタデータ） (2025-05-15T17:58:16Z) - 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) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z)
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。