論文の概要: A Hybrid Quantum-Classical Approach for Melt Pool Prediction in Laser Powder Bed Fusion

• arxiv url: http://arxiv.org/abs/2606.23719v1
• Date: Wed, 17 Jun 2026 03:11:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.55485
• Title: A Hybrid Quantum-Classical Approach for Melt Pool Prediction in Laser Powder Bed Fusion
• Title（参考訳）: レーザー粉体融合における溶融プール予測のためのハイブリッド量子-古典的アプローチ
• Authors: Matthew M. Sato, Kincho H. Law,
• Abstract要約: レーザーパウダーベッド融合(LPBF)は品質保証に苦しむ有望な添加性製造技術である。 本稿では,量子コンピューティングを応用し,プロセスパラメータの特徴抽出を改善するハイブリッド量子古典モデルの実践例を示す。 提案手法を量子シミュレーターを用いて実演し、計測ショットノイズがネットワークの予測性能に与える影響を分析し、量子ハードウェアを用いて結果を検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Laser powder bed fusion (LPBF) is a promising additive manufacturing technique that suffers from quality assurance concerns. Predicting melt pools from process parameters is crucial for assessing quality prior to manufacturing but remains a difficult problem because of the complex physical processes underlying LPBF. Quantum computers present a new computing paradigm, providing a new approach to information processing using quantum entanglement and superposition. This paper presents a practical demonstration of a hybrid quantum-classical model that leverages quantum computing to improve process parameter feature extraction with a quantum feature encoder. To make the quantum approach computationally feasible for large datasets, we first employ a clustering algorithm to reduce the number of expensive quantum computations. These quantum features are then processed by a classical neural network to predict the melt pool morphology, allowing for more accurate predictions of melt pools. We demonstrate the method using a quantum simulator, analyze the effect of measurement shot noise on the predictive performance of the network, and verify the results using quantum hardware. Finally, by examining which quantum features are most important, we provide insights that can inform the future design of more effective quantum encoding circuits. Ultimately, the performance improvement over purely classical networks validates the hybrid approach, demonstrating an engineering application of quantum computing using noisy and intermediate scale quantum (NISQ) devices.
• Abstract（参考訳）: レーザーパウダーベッド融合(LPBF)は品質保証に苦しむ有望な添加性製造技術である。 プロセスパラメータから溶融プールを予測することは製造前に品質を評価する上で重要であるが、PBFの基盤となる複雑な物理プロセスのため、依然として難しい問題である。 量子コンピュータは新しい計算パラダイムを示し、量子エンタングルメントと重畳を用いた情報処理の新しいアプローチを提供する。 本稿では,量子コンピューティングを利用したハイブリッド量子古典モデルの実用的な実演を行い,量子特徴エンコーダによるプロセスパラメータの特徴抽出を改善する。 大規模データセットに対して量子アプローチを計算可能とするために、我々はまずクラスタリングアルゴリズムを用いて、高価な量子計算の数を削減した。 これらの量子特徴は古典的なニューラルネットワークによって処理され、溶融プールの形態を予測し、溶融プールのより正確な予測を可能にする。 提案手法を量子シミュレーターを用いて実演し、計測ショットノイズがネットワークの予測性能に与える影響を分析し、量子ハードウェアを用いて結果を検証する。 最後に、どの量子特徴が最も重要であるかを調べることで、より効率的な量子符号化回路の設計を後押しできる洞察を提供する。 最終的に、純粋に古典的ネットワークに対する性能改善はハイブリッドアプローチを検証し、ノイズと中間スケール量子(NISQ)デバイスを用いた量子コンピューティングの工学的応用を実証する。

関連論文リスト

• Noise-Resilient Quantum Metrology with Quantum Computing [10.243775711846629]
  本稿では,古典的データエンコーディングから量子データの直接処理へ焦点を移す方法を提案する。 本研究では,量子力学から取得した情報を量子コンピュータが最適化する実験可能な手法を開発した。 本手法は,推定値の精度を向上し,量子フィッシャー情報によって定量化されるように感度を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-08-31T09:53:38Z)
• 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)
• Limitations of Quantum Hardware for Molecular Energy Estimation Using VQE [0.0]
  変分量子固有解法(VQEs)は、量子化学における電子構造問題を解くための最も有望な量子アルゴリズムの一つである。 本研究では,現在の量子ハードウェアに実装されているVQEアルゴリズムの性能と限界について検討する。
  論文  参考訳（メタデータ） (2025-06-04T14:19:18Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• 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)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• 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)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。