Fugu-MT 論文翻訳(概要): RiverONE: Generating Knowledge-Intensive VLM by Simulated Quantum Machines

論文の概要: RiverONE: Generating Knowledge-Intensive VLM by Simulated Quantum Machines

arxiv url: http://arxiv.org/abs/2606.29966v1
Date: Mon, 29 Jun 2026 08:44:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:16.133464
Title: RiverONE: Generating Knowledge-Intensive VLM by Simulated Quantum Machines
Title（参考訳）: Riverone: シミュレーション量子マシンによる知識集約型VLMの生成
Abstract要約: RiverONEは、量子キャリブレーションプロット理解のための軽量なビジョン言語モデルである。我々は、シミュレーション量子計算を用いて、コンパクトな古典的AIシステムのための構造化パラメータを生成する。約19億のパラメータを持つRiverOneは、量子キャリブレーションプロット理解タスクにおけるNVIDIA Ising 1の性能の少なくとも95%を達成している。
参考スコア（独自算出の注目度）: 10.511025230975681
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum computing provides a powerful paradigm for representing and transforming high-dimensional information through superposition, entanglement, and measurement-induced nonlinear features. While current quantum hardware is not yet practical for direct large-scale vision-language model (VLM) inference, simulated quantum computation can be used during model construction to generate structured parameters for compact classical AI systems. We build RiverONE, a lightweight vision-language model for quantum calibration plot understanding, using simulated quantum computation. It employs a specialized visual encoder and an InternVL-based language backbone. To compensate for compression-induced information loss, we introduce quantum-generated parameters, which are materialized as classical tensors after training. This allows RiverONE to run entirely on classical GPUs at inference time, with no quantum hardware or runtime quantum simulation. With approximately 1.9 billion parameters, RiverONE achieves at least 95\% of the performance of NVIDIA Ising Calibration 1 on quantum calibration plot understanding tasks while using less than 10\% of its parameter count. These results suggest that simulated quantum computation can serve as a practical construction-stage mechanism for building lightweight, knowledge-intensive scientific VLMs. Our code is available at https://github.com/THeWakeSystems/RiverOne.
Abstract（参考訳）: 量子コンピューティングは、重ね合わせ、絡み合い、測定によって引き起こされる非線形特徴を通じて高次元情報を表現し変換するための強力なパラダイムを提供する。現在の量子ハードウェアは、直接大規模視覚言語モデル(VLM)の推論には実用的ではないが、シミュレーションされた量子計算は、モデル構築中に、コンパクトな古典的AIシステムのための構造化パラメータを生成するために使用できる。我々は、シミュレーション量子計算を用いて、量子キャリブレーションプロット理解のための軽量ビジョン言語モデルであるRiverONEを構築した。特殊なビジュアルエンコーダと、InternVLベースの言語バックボーンを使用している。圧縮により引き起こされる情報損失を補うために、トレーニング後に古典テンソルとして実現された量子生成パラメータを導入する。これにより、RiverONEは量子ハードウェアや実行時量子シミュレーションを使わずに、推論時に古典的なGPUで完全に動作することができる。約190億のパラメータを持つRiverOneは、パラメータの10倍未満を使用しながら、量子キャリブレーションプロット理解タスクにおけるNVIDIA Ising Calibration 1の性能の少なくとも95%を達成している。これらの結果は、シミュレーション量子計算が、軽量で知識集約的な科学的なVLMを構築するための実践的な構築段階のメカニズムとして役立つことを示唆している。私たちのコードはhttps://github.com/THeWakeSystems/RiverOneで利用可能です。

関連論文リスト

Qiboml: towards the orchestration of quantum-classical machine learning [53.28668485072944]
本稿では,量子および古典的機械学習をオーケストレーションするオープンソースソフトウェアライブラリであるQibomlを紹介する。多様なシミュレーションオプション、ノイズ認識シミュレーション、リアルタイムエラー軽減とキャリブレーションなどの機能を紹介する。
論文参考訳（メタデータ） (2025-10-13T18:00:00Z)
Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
論文参考訳（メタデータ） (2025-08-14T17:59:52Z)
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 quantum machine learning models on cloud without uploading the data [0.0]
本稿では,入力データを符号化する前にパラメータ化量子回路を動作させる手法を提案する。これにより、データセット所有者は、量子クラウドプラットフォーム上で機械学習モデルをトレーニングすることができる。また、後に古典的な計算を用いて大量のデータを効果的に符号化することも可能である。
論文参考訳（メタデータ） (2024-09-06T20:14:52Z)
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)
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)
Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文参考訳（メタデータ） (2022-05-17T07:47:00Z)
TensorLy-Quantum: Quantum Machine Learning with Tensor Methods [67.29221827422164]
PyTorch APIを採用した量子回路シミュレーションのためのPythonライブラリを作成します。 Ly-Quantumは、単一のGPU上で数百のキュービット、複数のGPU上で数千のキュービットにスケールすることができる。
論文参考訳（メタデータ） (2021-12-19T19:26:17Z)
Large-scale quantum machine learning [0.0]
ランダム化計測を用いて量子カーネルを計測し、2次高速化を行い、大規模データセットを高速に処理する。我々は高次元データを回路深度と線形にスケーリングする特徴数で量子コンピュータに効率的にエンコードする。現在利用可能な量子コンピュータを使用して、MNISTデータベースは10年ではなく220時間以内に処理できる。
論文参考訳（メタデータ） (2021-08-02T17:00:18Z)
QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity [13.152233840194473]
本稿では,量子ニューラルネットワークQuClassiを提案する。量子微分関数とハイブリッド量子古典設計により、QuClassiはデータを量子ビットでエンコードし、量子回路を生成し、最良の状態のために量子プラットフォームにプッシュする。
論文参考訳（メタデータ） (2021-03-21T05:28:37Z)
Application of Quantum Machine Learning using the Quantum Variational Classifier Method to High Energy Physics Analysis at the LHC on IBM Quantum Computer Simulator and Hardware with 10 qubits [6.56216604465389]
量子機械学習は、高エネルギー物理学におけるデータ分析の強力なツールになり得る。我々は近年のLHCフラッグシップ物理解析において量子変分法を用いる。将来の高輝度LHC物理解析における量子機械学習の利用を予見する。
論文参考訳（メタデータ） (2020-12-21T18:39:36Z)

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。