論文の概要: Exploring the Effects of Entanglement on Quantum Machine Learning of Pathogen Epitope-Receptor Binding

• arxiv url: http://arxiv.org/abs/2606.28655v1
• Date: Sat, 27 Jun 2026 00:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.632101
• Title: Exploring the Effects of Entanglement on Quantum Machine Learning of Pathogen Epitope-Receptor Binding
• Title（参考訳）: エンタングルメントが病原性エピトープ受容体結合の量子機械学習に及ぼす影響の探索
• Abstract要約: 特徴マップにおける2量子エンタングゲートの数とトポロジーが、強い受容体と弱い受容体の結合を分類するためのハイブリッドQNNワークフローに与える影響について検討する。 従来のCNNベンチマークとハイブリッドQNNアーキテクチャを4つの特徴マップ構成で比較する。 テスト対象のうち、ZZ機能マップは、トレーニングセットのオーバーフィットを減らしたことを示す最強の証拠となる。
• 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: Parameterized quantum circuits (PQCs) provide a flexible substrate for hybrid quantum machine learning (QML), but their practical value on Noisy Intermediate-Scale Quantum (NISQ) devices remains an empirical question, especially because training depth and scale can introduce optimization challenges such as barren plateaus. Here we study how the number and topology of two-qubit entangling gates in the feature-map stage influence a fixed hybrid QNN workflow for classifying strong versus weak epitope-receptor binding in Porcine Reproductive and Respiratory Syndrome (PRRS) vaccine design. The dataset consists of docking-derived binding affinities for N=80 9-mer epitopes, labeled as Strong or Weak binding, and partitioned into training, validation, and test subsets using a 40:30:30 split. We compare a classical CNN benchmark with a hybrid Embedding-QNN architecture under four feature-map configurations: a non-entangling Z feature map, an all-to-all high-entanglement ZZ feature map, and two interleaved nearest-neighbour entanglement patterns of low and high depth. Among the configurations tested, the high-entanglement ZZ feature map is seen to provide the strongest evidence of reduced training-set overfit, with a lower training area under the accuracy curve (AUAC) and the highest test/training AUAC ratio, while preserving competitive test-set accuracy. These results do not establish a general QML advantage, but they suggest that feature-map entanglement topology is a meaningful design variable for sparse biological screening tasks and warrants further evaluation with additional metrics, larger datasets, and noise-aware or hardware-based experiments.
• Abstract（参考訳）: パラメータ化量子回路(PQC)は、ハイブリッド量子機械学習(QML)のための柔軟な基板を提供するが、特にトレーニング深度とスケールがバレンプラトーのような最適化課題を導入できるため、ノイズリ中間量子(NISQ)デバイスにおける実用的価値は実証的な問題のままである。 本稿では, 豚生殖・呼吸症候群(PRRS)ワクチンの設計において, 機能マップ段階における2ビットエンタングゲートの数とトポロジーが, 強いエピトープと弱いエピトープ-受容体結合を分類するための固定されたハイブリッドQNNワークフローに与える影響について検討する。 データセットは、N=809-merエピトープに対するドッキング由来の結合親和性からなり、StrongまたはWakバインディングとラベル付けられ、40:30:30スプリットを使用してトレーニング、検証、テストサブセットに分割される。 従来のCNNベンチマークとハイブリッドな Embedding-QNN アーキテクチャを4つの特徴マップ構成で比較した。 テストされた構成のうち、高い絡み合いZZ特徴マップは、トレーニングセットオーバーフィットの最も強力な証拠であり、トレーニングエリアは、精度曲線(AUAC)の下で低く、テスト/トレーニングのAUAC比が最も高いが、競争力のあるテストセットの精度は保たれている。 これらの結果は、一般的なQMLの優位性を確立していないが、特徴マップの絡み合いトポロジーは、希少な生物学的スクリーニングタスクにとって有意義な設計変数であり、さらなるメトリクス、より大きなデータセット、ノイズ認識またはハードウェアベースの実験によるさらなる評価を保証することを示唆している。

関連論文リスト

• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification [2.417944170423441]
  Quantum Transfer Learningは、短期的制約下でのビジュアル量子機械学習に有望なアプローチを提供する。 既存のQTL結果を比較するのは難しいのは、データセット、前処理、バックボーン設定、キュービット予算、回路設計、最適化の選択、レポートプロトコルが異なるためである。 本研究は,一貫したトランスファーラーニングパイプラインの下で,代表的QTL手法を評価するための,制御されたベンチマーク手法を提案する。
  論文  参考訳（メタデータ） (2026-05-19T06:10:32Z)
• The Impact of Qubit Connectivity on Quantum Advantage in Noisy IQP Circuits [12.732381296045054]
  Instantaneous Quantum Polynomial-time (IQP) 回路は、短期的な量子優位性を示す候補である。 分散アーキテクチャでは、長距離通信を実装するために追加のルーティングを必要とするため、この移行においてqubit接続が重要なパラメータであることを示す。 我々は,このアーキテクチャ依存シフトを,コンパイルされた深度オーバーヘッドとそれに対応するシミュラビリティマージンを用いて定量化する。
  論文  参考訳（メタデータ） (2026-04-14T12:06:48Z)
• Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
  本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。 この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
  論文  参考訳（メタデータ） (2025-11-29T17:47:14Z)
• 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)
• Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
  量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。 ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。 ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
  論文  参考訳（メタデータ） (2025-01-14T15:14:26Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• DeepQMLP: A Scalable Quantum-Classical Hybrid DeepNeural Network Architecture for Classification [6.891238879512672]
  量子機械学習(QML)は、従来の機械学習(ML)タスクの潜在的なスピードアップと改善を約束している。 本稿では、古典的なディープニューラルネットワークアーキテクチャにインスパイアされたスケーラブルな量子古典ハイブリッドニューラルネットワーク(DeepQMLP)アーキテクチャを提案する。 DeepQMLPは、ノイズ下での推論において、最大25.3%の損失と7.92%の精度を提供する。
  論文  参考訳（メタデータ） (2022-02-02T15:29:46Z)

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。