論文の概要: Hybrid quantum-classical neural network for sample-efficient recognition of topological phases

• arxiv url: http://arxiv.org/abs/2606.28199v1
• Date: Fri, 26 Jun 2026 15:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.53286
• Title: Hybrid quantum-classical neural network for sample-efficient recognition of topological phases
• Title（参考訳）: 位相位相の標本効率認識のためのハイブリッド量子古典ニューラルネットワーク
• Abstract要約: 本稿では、浅いパラメータ化量子回路、測定、古典的ニューラルネットワークからなるハイブリッド量子古典ニューラルネットワークを提案する。 ハイブリッドニューラルネットワークは, 表面符号の位相位相を, 対称性に富んだ位相位相とランダムな積状態とを区別することを示した。 このハイブリッドニューラルネットワークは、既存の量子コンピュータで容易に実装できる浅い量子回路を備えており、複雑な量子状態の効率的なキャラクタリゼーションを可能にしている。
• 参考スコア（独自算出の注目度）: 0.7495002546468839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing maturity of quantum computers, standard methods for characterizing global properties of their output quantum states via direct measurements and classical post-processing are becoming increasingly impractical due to large measurement costs. Although quantum neural networks could directly process quantum states to identify underlying characteristics with reduced measurement efforts, they often require deep quantum circuits that cannot be implemented on existing devices. To overcome these challenges, we introduce a hybrid quantum-classical neural network that consists of a shallow parameterized quantum circuit, measurements, and a classical neural network. The parameterized quantum circuit performs a nonlocal transformation of the measurement basis, which is jointly trained with the classical neural network to maximize the statistical distance between data obtained by measuring different quantum states. Using supervised learning, we demonstrate that the hybrid neural network distinguishes the topological phase of the surface code from a symmetry-enriched topological phase and random product states. Moreover, this hybrid neural network reduces both inference and training sample complexities of recognizing the topological phase by approximately one order of magnitude compared to a classical neural network trained on randomized Pauli measurements. As this hybrid neural network features a shallow quantum circuit that can be readily implemented on existing quantum computers, it enables the efficient characterization of complex quantum states.
• Abstract（参考訳）: 量子コンピュータの成熟度が増大するにつれて、直接測定や古典的な後処理を通じて出力量子状態のグローバルな特性を特徴付ける標準的な手法は、大きな測定コストのためにますます実用的ではないものになりつつある。 量子ニューラルネットワークは量子状態を直接処理して、測定の労力を減らして基礎となる特性を識別できるが、既存のデバイスでは実装できない深い量子回路を必要とすることが多い。 これらの課題を克服するために、浅いパラメータ化量子回路、測定、古典的ニューラルネットワークからなるハイブリッド量子古典ニューラルネットワークを導入する。 パラメータ化量子回路は、測定ベースを非局所的に変換し、古典的ニューラルネットワークと共同でトレーニングし、異なる量子状態を測定することによって得られるデータ間の統計的距離を最大化する。 教師付き学習を用いて、ハイブリッドニューラルネットワークは、表面のトポロジカル位相と、対称性に富んだトポロジカル位相とランダムな積状態とを区別することを示した。 さらに、このハイブリッドニューラルネットワークは、ランダム化されたパウリ測定に基づいてトレーニングされた古典的ニューラルネットワークと比較して、トポロジカルフェーズを認識する際の推論とトレーニングサンプルの複雑さを約1桁削減する。 このハイブリッドニューラルネットワークは、既存の量子コンピュータで容易に実装できる浅い量子回路を備えており、複雑な量子状態の効率的なキャラクタリゼーションを可能にしている。

関連論文リスト

• Hybrid Quantum-Classical Neural Networks for Recognizing Quantum Phases [27.960775552553272]
  量子位相認識のためのハイブリッド量子古典ニューラルネットワークを導入,実装する。 最適化ループで超伝導量子ハードウェアを用いて両方のコンポーネントをトレーニングする。 磁場中で最大4x4のサイトを持つ表面符号格子の量子位相の分類器を実験的に実証した。
  論文  参考訳（メタデータ） (2026-06-26T15:49:45Z)
• Getting large-scale quantum neural networks ready for quantum hardware [0.0]
  量子ニューラルネットワークは、古典的な人工ニューラルネットワークを量子領域に一般化する。 有限個のノイズ損失関数測定によりトレーニングした物理インフォームド大規模量子ニューラルネットワークについて検討した。 提案手法は,量子シミュレータやコンピュータから出力される量子データを直接処理することができる。
  論文  参考訳（メタデータ） (2026-04-27T18:08:33Z)
• Natural Quantization of Neural Networks [0.0]
  そこで我々は,ニューロンが量子ビットに対応し,活性化関数が量子ゲートと測定によって実装される,標準的なニューラルネットワークの自然な量子化を提案する。 我々は、このアーキテクチャを標準MNISTデータセットのサブセットでベンチマークし、「量子優位」の仕組みを見つける。 提案した量子ニューラルネットワークは、商用データセット上の現在の量子コンピュータで容易に実現可能である。
  論文  参考訳（メタデータ） (2025-03-19T17:57:11Z)
• 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)
• 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 machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Realizing Quantum Convolutional Neural Networks on a Superconducting Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
  量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。 我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。 その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:32:57Z)
• 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)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。