論文の概要: Dissipative Quantum Multiplicative Weights with Sampling Feedback: A Classically Hard Primitive Realized via Engineered Open-System Dynamics
- arxiv url: http://arxiv.org/abs/2606.26162v1
- Date: Wed, 24 Jun 2026 04:52:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.017385
- Title: Dissipative Quantum Multiplicative Weights with Sampling Feedback: A Classically Hard Primitive Realized via Engineered Open-System Dynamics
- Title（参考訳）: サンプリングフィードバックを伴う散逸的量子乗法重み:工学的オープンシステムダイナミクスによる古典的ハード原始的実現
- Authors: Agung Trisetyarso, Lenny Putri Yulianti, Kridanto Surendro,
- Abstract要約: EmphDissipative Quantum Multiplicative Weights with Smpling Feedback (DQMW-Sample) を紹介する。
オープン量子系力学を工学的に構築したオンライン学習プリミティブであり、計算基底測定によって損失フィードバックが供給されるギブス状態を作成する。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce \emph{Dissipative Quantum Multiplicative Weights with Sampling Feedback} (DQMW-Sample), an online-learning primitive in which engineered open quantum-system dynamics prepare a Gibbs state whose computational-basis measurement supplies the loss feedback. The central conceptual contribution is to lift the computational hardness of constant-temperature Gibbs sampling into a physically realizable online-learning primitive. By engineering a Davies-type dissipator whose per-round feedback cannot be efficiently simulated classically, we obtain a learning-theoretic separation in which DQMW-Sample achieves asymptotically sublinear regret while every efficient classical learner suffers constant average regret on a suitably constructed instance. We further prove that the spectral gap of the engineered dissipator contracts hardware noise, yielding sublinear noise-induced regret under a balanced dissipation schedule, and we strengthen the single-round hardness to the full adaptive interaction: an efficient classical simulator of the entire $T$-round feedback process would collapse the polynomial hierarchy. We state the required realizability assumption in explicit form and report an initial hardware characterization on the IBM Heron~r2 processor. These results position DQMW-Sample as a concrete route toward computational advantage in online learning that is grounded in complexity theory and compatible with near-term superconducting hardware.
- Abstract（参考訳）: 本稿では,DQMW-Sample (emph{Dissipative Quantum Multiplicative Weights with Sampling Feedback}) というオンライン学習プリミティブを導入する。
中心的な概念的貢献は、一定温度ギブスサンプリングの計算硬度を、物理的に実現可能なオンライン学習プリミティブに引き上げることである。
そこで我々は,DQMW-Sampleが漸近的にサブリニア後悔を達成し,どの学習者も好適に構築されたインスタンスに対して一定の平均後悔を被る学習理論的分離法を考案した。
さらに,設計した散逸器のスペクトルギャップがハードウェアノイズを収縮させ,バランスの取れた散逸スケジュールの下でサブ線形雑音による後悔を生じさせることを示すとともに,単一ラウンドの硬さを完全な適応的相互作用に強化する。
我々は、要求実現可能性の仮定を明示的な形式で記述し、IBM Heron~r2プロセッサに初期ハードウェア特性を報告する。
これらの結果は、DQMW-Sampleを、複雑性理論に基づくオンライン学習における計算上の優位性への具体的なルートとして位置づけ、短期的な超伝導ハードウェアと互換性がある。
関連論文リスト
- Mitigating Noise-Induced Barren Plateaus Using a Non-Unitary Ansatz: Application to Molecular Electronic Transport [0.0]
可変アンサッツに非単元要素を導入することで、オープン量子系におけるNIBPを緩和できることを示す。
また、これらのアイデアを、オリゴフェニルエチニレンスルファーメチル(OPE-SMe)を介して電子輸送をシミュレートすることで、現実的な量子化学システムに拡張する。
この結果から,NISQハードウェア上での開系定常状態をシミュレーションするために,非単体変分アンスターゼがスケーラブルで物理的に基礎的な経路を提供することがわかった。
論文 参考訳（メタデータ） (2026-05-28T21:06:54Z) - Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits [0.0]
画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。
我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。
実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
論文 参考訳（メタデータ） (2026-03-17T12:28:33Z) - 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) - QML-HCS: A Hypercausal Quantum Machine Learning Framework for Non-Stationary Environments [0.0]
QML-HCSは量子インスパイアされた機械学習モデルの構築と分析のための研究グレードのフレームワークである。
可逆変換、マルチパス因果伝播、ドリフト中の代替状態の評価が可能な超因果処理コアを実装している。
アーキテクチャには継続的フィードバックが組み込まれており、因果一貫性を維持し、完全な再トレーニングを必要とせずにモデル動作を調整する。
論文 参考訳（メタデータ） (2025-11-18T17:50:49Z) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - 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) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z) - Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
オープン量子システムのダイナミクスに対処するためのアプローチを提案する。
自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。
効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
論文 参考訳（メタデータ） (2020-09-11T18:00:00Z) - Quantum Semantic Learning by Reverse Annealing an Adiabatic Quantum
Computer [0.0]
Boltzmann Machines (RBM) は、画像再構成、パターン分類、教師なし学習への応用を含むニューラルネットワークである。
本稿では,AQC(Adiabatic Quantum Computers)における完全RBMの実現可能性を示す。
RBMの各学習ステップを開始するために,入力データを初期境界条件とする意味量子探索を実装した。
論文 参考訳（メタデータ） (2020-03-25T01:33:33Z)
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。