論文の概要: QeHDC: Hyperdimensional Computing based on Quantum-enhanced binding and SuperClass Construction

• arxiv url: http://arxiv.org/abs/2606.22421v1
• Date: Sun, 21 Jun 2026 10:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 21:39:38.366849
• Title: QeHDC: Hyperdimensional Computing based on Quantum-enhanced binding and SuperClass Construction
• Title（参考訳）: QeHDC:量子エンハンスドバインディングとスーパークラス構築に基づく超次元計算
• Authors: Yangjie Xu, Hui Huang, Li Ning, Radu State,
• Abstract要約: QeHDC(Quantum-enhanced Hyperdimensional Computing)は、量子力学特性を活用して計算効率を向上させることで、古典的なHDCを拡張する。 本稿では,正弦波および量子符号化を利用して古典データを量子振幅状態に効率よく投影するワンパストレーニング手法を特徴とする新しいQuantum HDCフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.130961247419288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperdimensional Computing (HDC) is a robust computational framework inspired by human cognition characterized by simple and efficient operations within high-dimensional vector spaces. Quantum-enhanced Hyperdimensional Computing (QeHDC) extends classical HDC by leveraging quantum mechanical properties to enhance computational efficiency. In this paper, we propose a novel Quantum HDC framework featuring a one-pass training method, leveraging sinusoidal and quantum encoding to project classical data into quantum amplitude states efficiently. Our framework introduces an innovative reference-state-based quantum binding operation realized via quantum circuits. Furthermore, we propose a density-matrix-based superclass generation strategy employing eigenvalue decomposition to extract critical quantum state features effectively, enabling a more accurate and robust class representation. Experimental evaluations conducted on standard benchmark datasets demonstrate our approach's superior performance, robustness to noise, and computational feasibility compared to traditional classical and existing quantum-enhanced approaches. The results highlight the practical benefits and potential of Quantum HDC for quantum-enhanced classification tasks and pave the way for future advancements in quantum-inspired computational paradigms.
• Abstract（参考訳）: 超次元コンピューティング(HDC)は、高次元ベクトル空間内の単純かつ効率的な操作を特徴とする人間の認識にインスパイアされた堅牢な計算フレームワークである。 QeHDC(Quantum-enhanced Hyperdimensional Computing)は、量子力学特性を活用して計算効率を向上させることで、古典的なHDCを拡張する。 本稿では、正弦波および量子符号化を利用して古典データを量子振幅状態に効率よく投影するワンパストレーニング手法を特徴とする新しい量子HDCフレームワークを提案する。 本フレームワークは,量子回路によって実現された,革新的な参照状態に基づく量子結合演算を導入する。 さらに,固有値分解を用いた密度行列に基づくスーパークラス生成手法を提案し,量子状態の特徴を効果的に抽出し,より正確でロバストなクラス表現を実現する。 標準ベンチマークデータセットで行った実験により、従来の古典的および既存の量子強化アプローチと比較して、我々のアプローチの優れた性能、ノイズに対する堅牢性、および計算能力が示された。 その結果,量子化された分類タスクにおける量子HDCの実用的メリットと可能性を強調し,量子に着想を得た計算パラダイムの今後の発展の道を開くことができた。

関連論文リスト

• Quantum Hyperdimensional Computing: a foundational paradigm for quantum neuromorphic architectures [0.5785414922972825]
  本稿では,量子超次元コンピューティング(QHDC)について紹介する。 古典的手法である超次元計算(HDC)のコア演算が,QCのネイティブ演算に対して顕著なエレガンスと直接対応を持つ写像であることを示す。 本稿では、シンボリックなアナロジー推論と教師付き分類タスクによって検証された、このフレームワークの最初の実装について述べる。
  論文  参考訳（メタデータ） (2025-11-16T16:01:56Z)
• 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)
• Quantum Mixed-State Self-Attention Network [3.1280831148667105]
  本稿では,自然言語処理タスクのためのQMSAN(Quantum Mixed-State Self-Attention Network)を提案する。 QMSANは混合状態に基づく量子アテンション機構を使用し、量子領域内のクエリとキー間の直接的な類似度推定を可能にする。 また、回路内の固定量子ゲートを介して実装された革新的な量子位置符号化方式を提案し、追加の量子ビットリソースを使わずにシーケンス情報をキャプチャする能力を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T11:29:05Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Quantum Generative Adversarial Networks: Bridging Classical and Quantum Realms [0.6827423171182153]
  GAN(Generative Adversarial Networks)領域における古典的および量子コンピューティングパラダイムの相乗的融合について検討する。 我々の目的は、量子計算要素を従来のGANアーキテクチャにシームレスに統合し、トレーニングプロセスの強化のために新しい経路を開放することである。 この研究は量子化機械学習の最前線に位置し、量子システムの計算能力を活用するための重要な一歩である。
  論文  参考訳（メタデータ） (2023-12-15T16:51:36Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits at Exascale [57.84751206630535]
  本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。 新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。 ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
  論文  参考訳（メタデータ） (2021-04-21T13:26:42Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。