論文の概要: Exploiting More Than Symmetry in Variational Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2606.20316v1
• Date: Thu, 18 Jun 2026 14:52:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.92831
• Title: Exploiting More Than Symmetry in Variational Quantum Machine Learning
• Title（参考訳）: 変分量子機械学習における対称性以上の爆発
• Authors: Markus Baumann, Claudia Linnhoff-Popien,
• Abstract要約: 我々はTic-Tac-Toeを完全可算かつ構造的に透明なテストケースとして使用しています。 適切な部分群は一般化の利点のほとんどを保っていることが分かる。 支配的な利益は、決定的なタスクモチーフに直接作用するゲートから生じる。
• 参考スコア（独自算出の注目度）: 2.9695823613761316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of variational quantum learning models crucially depends on choosing parametrizations that reflect the structure of the problem at hand. Symmetries provide one of the clearest such structures: whenever transformations of the input leave the desired outcome unchanged, this invariance should be built into the model rather than discovered during training. However, imposing a symmetry does not by itself determine a useful ansatz. Even within the symmetry-preserving space, one must decide where the trainable degrees of freedom should be placed. In this work, we study this remaining design freedom in equivariant variational quantum circuits. Building on symmetry-based parameter sharing, we disentangle two architectural choices: how much symmetry should be enforced, and which symmetry-respecting interactions should be trainable. Using Tic-Tac-Toe as a fully enumerable and structurally transparent test case, we find that suitable subgroups preserve most of the generalization benefit. By contrast, the dominant gains arise from gates acting directly on decisive task motifs. Thus, symmetry defines the admissible design space, while effective ansatze require an additional task-informed choice of trainable interactions.
• Abstract（参考訳）: 変分量子学習モデルの成功は、目の前の問題の構造を反映したパラメトリゼーションの選択に大きく依存する。 入力の変換が望ましい結果に変化を残さない場合、この不変性はトレーニング中に発見されるのではなく、モデル内に構築されるべきである。 しかし、対称性を付与することはそれ自体が有用なアンザッツを決定するわけではない。 対称性保存空間内でさえ、訓練可能な自由度がどこに置かれるかを決定する必要がある。 本研究では、同変変分量子回路における残りの設計自由度について検討する。 対称性に基づくパラメータ共有に基づいて、どの対称性を強制するか、どの対称性-反射相互作用を訓練すべきかという2つのアーキテクチャ選択を分離する。 Tic-Tac-Toe を完全可算かつ構造的に透明なテストケースとして使うと、適当な部分群が一般化の利点の大部分を保っていることが分かる。 対照的に、支配的な利益は、決定的なタスクモチーフに直接作用するゲートから生じる。 したがって、対称性は許容可能な設計空間を定義するが、効果的なアンサッチは訓練可能な相互作用のタスクインフォームド選択を必要とする。

関連論文リスト

• A homotopy-type-theoretic generalization of neurosymbolic inference [46.36639624013224]
  ニューロシンボリック(NeSy)システムは1つの機能を計算する:$$-structuresの空間上の論理量の信念重み付け和。 我々は、NeSy系のスクラッチからフレームワークを開発し、対称性が自明なときに古典関数を復元する保守性定理を証明し、我々のフレームワークが提示する対称性が、まさにショートカットの推論の背後にあるものであることを示す。
  論文  参考訳（メタデータ） (2026-06-16T12:22:12Z)
• Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
  画像復元は本質的に逆問題である。 非厳密対称性を制約として、復元逆問題を定式化する。 最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:22:19Z)
• Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
  驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。 以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。 我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。 この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
  論文  参考訳（メタデータ） (2025-06-28T01:46:36Z)
• Learning Infinitesimal Generators of Continuous Symmetries from Data [15.42275880523356]
  1-パラメータ群で定義された変換に基づく新しい対称性学習アルゴリズムを提案する。 この手法は最小限の帰納バイアスに基づいて構築され、リー群に根付いた一般的な対称性だけでなく、非線形発生器由来の対称性にまで拡張される。
  論文  参考訳（メタデータ） (2024-10-29T08:28:23Z)
• Symmetry-restricted quantum circuits are still well-behaved [45.89137831674385]
  対称性で制限された量子回路は、全特殊ユニタリ群 $SU(2n)$ の性質を継承することを示す。 これは、対称状態に関する先行研究を作用素に拡張し、作用素空間が状態空間と同じ構造に従うことを示す。
  論文  参考訳（メタデータ） (2024-02-26T06:23:39Z)
• Equivariant Symmetry Breaking Sets [0.6475999521931204]
  等価ニューラルネットワーク(ENN)は、基礎となる対称性を含むアプリケーションに非常に効果的であることが示されている。 完全同変で、自発対称性の破れに対処する最初のフレームワークである新しい対称性破れフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-05T02:35:11Z)
• Learning Layer-wise Equivariances Automatically using Gradients [66.81218780702125]
  畳み込みは等価対称性をニューラルネットワークにエンコードし、より優れた一般化性能をもたらす。 対称性は、ネットワークが表現できる機能、事前に指定する必要、適応できない機能に対して、固定されたハード制約を提供する。 私たちのゴールは、勾配を使ってデータから自動的に学習できるフレキシブル対称性の制約を可能にすることです。
  論文  参考訳（メタデータ） (2023-10-09T20:22:43Z)
• The Surprising Effectiveness of Equivariant Models in Domains with Latent Symmetry [6.716931832076628]
  領域対称性と正確に一致しない対称性制約を課すことは、環境における真の対称性を学ぶのに非常に有用であることを示す。 ロボット操作・制御問題における教師付き学習と強化学習の両方において,同変モデルが潜在対称性を持つ領域における非同変手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-11-16T21:51:55Z)
• Quantum Mechanics as a Theory of Incompatible Symmetries [77.34726150561087]
  古典確率論が非互換変数を持つ任意の系を含むように拡張可能であることを示す。 非互換な変数を持つ確率的システム(古典的あるいは量子的)が不確実性だけでなく、その確率パターンにも干渉することを示す。
  論文  参考訳（メタデータ） (2022-05-31T16:04:59Z)
• Exploiting symmetry in variational quantum machine learning [0.5541644538483947]
  変分量子機械学習は、短期量子コンピュータの広範囲にわたる応用である。 我々は、標準ゲートセットが、目の前の問題の対称性を尊重する同変ゲートセットにどのように変換されるかを示す。 提案手法を,非自明な対称性を特徴とする2つの玩具問題に対してベンチマークし,一般化性能の大幅な向上を観察する。
  論文  参考訳（メタデータ） (2022-05-12T17:01:41Z)

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。