論文の概要: Quantum Convolutional Neural Networks for Groundwater Heat Plume Prediction: A Surrogate Modeling Approach

• arxiv url: http://arxiv.org/abs/2606.23411v1
• Date: Mon, 22 Jun 2026 14:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 19:10:49.363029
• Title: Quantum Convolutional Neural Networks for Groundwater Heat Plume Prediction: A Surrogate Modeling Approach
• Title（参考訳）: 地下水熱量予測のための量子畳み込みニューラルネットワーク:代理モデルによるアプローチ
• Authors: Danyal Maheshwari, Julia Pelzer, Miriam Schulte,
• Abstract要約: 量子畳み込みニューラルネットワーク(Quantum Convolutional Neural Network, QCNN)は、ミュンヘンの地熱熱ポンプによって引き起こされる地下水の温度変化を予測する代理モデルである。 我々は、理想的な状態ベクトルシミュレータ、雑音シミュレータ、IBMの127量子ビットKyiv量子プロセッサなど、複数の実行バックエンドでQCNNを評価する。 その結果、古典的ニューラルネットワークは依然として高い予測精度を達成しているが、QCNNはシミュレータ上での競争力と一貫した性能を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning methods are increasingly explored for modeling complex environmental systems, including groundwater heat plume dynamics. In this work, we explore a Quantum Convolutional Neural Network (QCNN) as a surrogate model for predicting temperature variations in groundwater induced by geothermal heat pumps in the city of Munich. To comply with the scalability constraints of current quantum hardware, the original high-dimensional simulation output is reduced to a compact set of representative parameters that serve as training targets for the surrogate. The proposed QCNN architecture consists of a quantum convolutional layer, a quantum pooling layer, and a fully connected quantum readout stage. Convolution and pooling operations are realized via parameterized quantum circuits based on rotational gates and measurement-driven decoding, while a Hamiltonian-inspired feature-encoding scheme is used to prepare informative input states on the quantum device. We evaluate the QCNN across multiple execution backends, including an ideal statevector simulator, a noisy simulator, IBM's 127-qubit Kyiv quantum processor, and the same hardware augmented with advanced error-mitigation techniques. Realistic noise models are employed to approximate device behavior and to assess the impact of mitigation strategies. Model performance is benchmarked using mean squared error (MSE) on both training and testing sets. The results show that, although classical neural networks still achieve the highest predictive accuracy, the QCNN attains competitive and consistent performance on simulators and exhibits noticeable improvement under error-mitigated hardware conditions. These findings indicate that quantum-enhanced surrogate modeling is a promising direction for future groundwater temperature prediction as quantum hardware and error-mitigation techniques continue to mature.
• Abstract（参考訳）: 地下水のヒートプルーフ力学を含む複雑な環境システムをモデル化するための量子機械学習手法がますます研究されている。 本研究では,ミュンヘン市における地熱熱ポンプによる地下水の温度変化を予測するための代理モデルとして量子畳み込みニューラルネットワーク(QCNN)を提案する。 現在の量子ハードウェアのスケーラビリティの制約を満たすため、元の高次元シミュレーション出力は、サロゲートのトレーニングターゲットとなる代表パラメータのコンパクトなセットに縮小される。 提案したQCNNアーキテクチャは、量子畳み込み層、量子プール層、および完全に接続された量子読み出しステージから構成される。 畳み込みとプーリング操作は、回転ゲートと測定駆動デコードに基づくパラメータ化量子回路によって実現され、一方、ハミルトニアンにインスパイアされた特徴符号化スキームは、量子デバイス上の情報入力状態を作成するために用いられる。 我々は、理想的な状態ベクトルシミュレータ、ノイズシミュレータ、IBMの127量子ビットKyiv量子プロセッサ、および高度なエラー軽減技術で強化された同じハードウェアを含む、複数の実行バックエンドでQCNNを評価した。 現実的なノイズモデルは、デバイス挙動を近似し、緩和戦略の影響を評価するために用いられる。 モデルパフォーマンスは、トレーニングセットとテストセットの両方で平均2乗誤差(MSE)を使用してベンチマークされる。 その結果、古典的ニューラルネットワークは依然として高い予測精度を達成しているが、QCNNはシミュレータ上での競争力と一貫した性能を達成し、エラーを軽減したハードウェア条件下で顕著な改善を示すことがわかった。 これらの結果は,量子ハードウェアや誤差緩和技術が成熟を続ける中で,量子強化サロゲートモデリングが将来の地下水温度予測の有望な方向であることを示唆している。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• 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)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
  量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。 ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。 微分可能最適化を用いた自動解法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T19:01:08Z)
• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
  量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。 量子回路を局所的に近似する有接サロゲートqtDNNを導入する。 我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
  論文  参考訳（メタデータ） (2025-03-12T07:12:02Z)
• Physics-inspired Machine Learning for Quantum Error Mitigation [15.243176527806126]
  量子エラー除去のための機械学習のための物理に着想を得たニューラルネットワークであるNNAS(Neural Noise Accumulation Surrogate)を紹介する。 NNASは多層回路に量子ノイズ蓄積の構造的特徴を取り入れ、物理的解釈性を持つモデルを提供する。 QEM法が通常苦労する深い回路では、NNASはエラーを半分以上削減する。
  論文  参考訳（メタデータ） (2025-01-08T15:07:48Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• 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)

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。