論文の概要: Mitigating Measurement-Induced Training Instability in Hybrid Quantum Neural Networks for Protein Classification
- arxiv url: http://arxiv.org/abs/2606.22551v1
- Date: Sun, 21 Jun 2026 15:10:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:40:03.200155
- Title: Mitigating Measurement-Induced Training Instability in Hybrid Quantum Neural Networks for Protein Classification
- Title（参考訳）: タンパク質分類のためのハイブリッド量子ニューラルネットワークにおける測定誘起トレーニング不安定性の緩和
- Authors: Milton Mondal, Sushovan Chanda, Mohamad Mahdi Alawieh, Brijesh Sukhadiya, Donatus Krah, Clinton Gonsalves, Antonios Ntolkeras, Silvio O. Rizzoli, Ali H. Shaib,
- Abstract要約: 学習可能なスケーリングパラメータである量子計測温度(Quantum Measurement Temperature, QMT)を導入し, 損失前に量子計測出力を再スケールする。
QMTは、トレーニング中に動作し、量子測定出力の物理的に課された境界を補償する。
その結果,QMTはハイブリッドQNNの安定かつ信頼性の高い訓練を実用化するために有効であることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid Quantum Neural Network (QNN) classifiers produce logits as expectation values of quantum measurement operators. For standard Pauli measurements, these outputs are intrinsically bounded to the interval [-1,1]. When such bounded logits are used directly with the cross-entropy loss applied to softmax-normalized logits for multi-class classification, the loss function operates in a regime of weak sensitivity to logit differences. As a consequence, parameter gradients are suppressed, leading to unstable optimization in variational quantum classifiers (VQCs). In this work, we identify this effect as measurement-induced logit contraction, a previously uncharacterized source of trainability degradation in hybrid QNNs. To address this limitation, we introduce a learnable scaling parameter, termed Quantum Measurement Temperature (QMT), which rescales quantum measurement outputs prior to the loss. Unlike post-hoc calibration, QMT acts during training and compensates for the physically imposed bounds on quantum measurement outputs. This rescaling increases gradient magnitude and variance, thereby improving loss sensitivity. The proposed mechanism is architecture-agnostic and does not modify the quantum ansatz, circuit depth, or measurement operators. Experiments on fluorescence microscopy images and a six-class variant of Fashion MNIST demonstrate that QMT consistently enhances logit separation, strengthens gradients, stabilizes training across random initializations, and improves classification accuracy, relative to unscaled measurement readouts. These results demonstrate that QMT enables stable and reliable training of hybrid QNNs for practical applications.
- Abstract（参考訳）: ハイブリッド量子ニューラルネットワーク(QNN)分類器は、量子測定演算子の期待値としてロジットを生成する。
標準的なパウリ測度では、これらの出力は本質的に [-1,1] の間隔に束縛される。
このような有界ロジットが、マルチクラス分類のためのソフトマックス正規化ロジットに適用されるクロスエントロピー損失と直接使用される場合、損失関数はロジット差に対する弱い感度の状態で機能する。
その結果、パラメータ勾配が抑制され、変分量子分類器(VQC)の不安定な最適化が導かれる。
本研究は, この効果を, ハイブリッドQNNのトレーニング性劣化源である測定誘起ロジット収縮と同定する。
この制限に対処するために、量子計測温度(QMT)と呼ばれる学習可能なスケーリングパラメータを導入し、損失に先立って量子計測出力を再スケールする。
ポストホック校正とは異なり、QMTはトレーニング中に動作し、量子測定出力の物理的に課された境界を補償する。
この再スケーリングは勾配の大きさと分散を増大させ、損失感度を向上させる。
提案するメカニズムはアーキテクチャに依存しず、量子アンサッツ、回路深さ、測定演算子を変更することはない。
蛍光顕微鏡画像とFashion MNISTの6種類の変種についての実験により、QMTは一貫してロジト分離を強化し、勾配を強化し、ランダム初期化のトレーニングを安定化し、未スケール測定の読み出しに対して分類精度を向上させることを示した。
これらの結果から,QMTはハイブリッドQNNの安定かつ信頼性の高い訓練を実用化するために有効であることが示された。
関連論文リスト
- Scaling Laws for Hybrid Quantum Neural Networks: Depth, Width, and Quantum-Centric Diagnostics [2.2133667529581933]
ハイブリッド量子ニューラルネットワークは、分類のためにますます研究されている。
回路深度と量子ビット数によるその性能と量子的挙動のスケールは、まだ不明である。
本稿では、2つの軸に沿ったハイブリッド量子古典型分類器の制御スケーリングについて述べる。
論文 参考訳（メタデータ） (2026-04-07T15:44:30Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - Adaptive variational quantum dynamics simulations with compressed circuits and fewer measurements [4.2643127089535104]
AVQDS(T)と呼ばれる適応変分量子力学シミュレーション(AVQDS)法の改良版を示す。
このアルゴリズムは、変分力学の精度の尺度であるマクラクラン距離を一定しきい値以下に保つために、アンザッツ回路に不連結なユニタリゲートの層を適応的に加算する。
また、雑音耐性を増強した変動パラメータに対する線形運動方程式を解くために、固有値トランケーションに基づく手法を示す。
論文 参考訳（メタデータ） (2024-08-13T02:56:43Z) - Trade-off between Gradient Measurement Efficiency and Expressivity in Deep Quantum Neural Networks [0.0]
量子ニューラルネットワーク(QNN)は、実用的な量子優位性を達成するために効率的なトレーニングアルゴリズムを必要とする。
本稿では, 量子回路の対称構造を利用して, トレードオフ上界を実現するSLPA (Stabler-logical Product Ansatz) と呼ばれる一般QNNアンサッツを提案する。
数値実験により、SLPAは精度と訓練性を維持しながら、トレーニングに必要なサンプルの複雑さを大幅に減らすことが示された。
論文 参考訳（メタデータ） (2024-06-26T12:59:37Z) - Analytical and experimental study of center line miscalibrations in M\o
lmer-S\o rensen gates [51.93099889384597]
モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。
我々はゲート進化演算子を計算し、関連する鍵特性を得る。
我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
論文 参考訳（メタデータ） (2021-12-10T10:56:16Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Enhanced nonlinear quantum metrology with weakly coupled solitons and
particle losses [58.720142291102135]
ハイゼンベルク(最大1/N)および超ハイゼンベルクスケーリングレベルにおける位相パラメータ推定のための干渉計測手法を提案する。
我々のセットアップの中心は、量子プローブを形成する新しいソリトンジョセフソン接合(SJJ)システムである。
このような状態は、適度な損失があっても最適な状態に近いことを示す。
論文 参考訳（メタデータ） (2021-08-07T09:29:23Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z)
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。