論文の概要: Hybrid Quantum-Classical Neural Networks for Recognizing Quantum Phases

• arxiv url: http://arxiv.org/abs/2606.28201v1
• Date: Fri, 26 Jun 2026 15:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.5333
• Title: Hybrid Quantum-Classical Neural Networks for Recognizing Quantum Phases
• Title（参考訳）: 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
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.960775552553272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying quantum phases of matter is key to understanding strongly correlated materials, but remains a challenging task for both conventional computers and current quantum processors. Here, we introduce and implement a hybrid quantum-classical neural network for quantum phase recognition by combining a hardware-efficient parameterized quantum circuit and a feedforward neural network. We jointly train both components with superconducting quantum hardware in the optimization loop, to experimentally demonstrate a classifier for the quantum phases of surface code lattices with up to 4x4 sites in a magnetic field. To learn nonlocal features of the topological phase, we train the hybrid neural network to distinguish topological ground states of the surface code from a featureless ensemble of product states. This allows the trained classifier to distinguish topological ground states from randomly chosen product states, even when subjected to any single-qubit Pauli error. The classifier reaches accuracies above 85% in single-shot measurements, and above 99% when averaging over ten measurements. We expect hybrid neural networks such as the one presented here to be a promising approach for characterizing quantum states in scenarios where classical methods exhibit an unfavorable scaling of sample complexity.
• Abstract（参考訳）: 物質の量子位相の同定は、強く相関する物質を理解する上で鍵となるが、従来のコンピュータと現在の量子プロセッサの両方にとって難しい課題である。 本稿では、ハードウェア効率のパラメータ化量子回路とフィードフォワードニューラルネットワークを組み合わせることで、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コンポーネントを共同でトレーニングし、磁場中に最大4x4の部位を持つ表面コード格子の量子位相の分類器を実験的に実証する。 トポロジカルフェーズの非局所的特徴を学習するために、我々はハイブリッドニューラルネットワークを訓練し、表面コードのトポロジカルグラウンド状態と特徴のない積状態のアンサンブルを区別する。 これにより、訓練された分類器は、任意の単一キュービットのパウリ誤差を受ける場合でも、ランダムに選択された積状態と位相的基底状態とを区別することができる。 この分類器は、単発測定で85%以上、平均10以上の測定で99%以上に達する。 ここで提示されたようなハイブリッドニューラルネットワークは、古典的手法がサンプルの複雑さの好ましくないスケーリングを示すシナリオにおいて、量子状態を特徴づけるための有望なアプローチであると期待している。

関連論文リスト

• Hybrid quantum-classical neural network for sample-efficient recognition of topological phases [0.7495002546468839]
  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。
  論文  参考訳（メタデータ） (2026-06-26T15:48:19Z)
• Hybrid Boson Sampling-Neural Network Architecture for Enhanced Classification [0.0]
  我々は、ボソンサンプリングの計算能力とニューラルネットワークの適応性を組み合わせて量子カーネルを構築するフレームワークを開発する。 様々なクラスを持つ4つのデータセットを用いて、我々のモデルは古典線形およびシグモイドカーネルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-15T09:16:38Z)
• Benchmarking a Tunable Quantum Neural Network on Trapped-Ion and Superconducting Hardware [0.0]
  我々は、トラップイオンおよびIBM超伝導量子コンピュータ上でのネットワークの量子一般化を実装した。 ネットワークフィードフォワードは、前層の計測結果に依存する角の量子ビット回転を含む。 ニューラルネットワーク回路に1キュービットと2キュービットのゲートペアを追加することで物理ノイズをベンチマークする。
  論文  参考訳（メタデータ） (2025-07-28T18:00:03Z)
• Quantum Convolutional Neural Network: A Hybrid Quantum-Classical Approach for Iris Dataset Classification [0.0]
  本稿では,4量子ビット量子回路と古典的ニューラルネットワークを組み合わせた,分類タスクのためのハイブリッド量子古典型機械学習モデルを提案する。 このモデルは20エポック以上で訓練され、16エポックに設定されたIrisデータセットテストで100%の精度を達成した。 この研究は、ハイブリッド量子古典モデルの研究の活発化と、実際のデータセットへの適用性に寄与する。
  論文  参考訳（メタデータ） (2024-10-21T13:15:12Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。 オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。 これらの特徴を5量子ビット量子状態にマッピングする。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
  本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。 提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。 この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
  論文  参考訳（メタデータ） (2022-03-29T09:07:18Z)
• 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)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• 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。