論文の概要: A Coherence Law for Trainability in Noisy Equivariant Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2606.30688v1
• Date: Sun, 28 Jun 2026 16:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.952296
• Title: A Coherence Law for Trainability in Noisy Equivariant Quantum Neural Networks
• Title（参考訳）: 雑音等変量子ニューラルネットにおけるトレーサビリティのコヒーレンス法則
• Abstract要約: ノイズがあればネットワークをトレーニングできない量子ニューラルネットワーク構造について検討する。 2つの異なる効果が訓練可能な勾配を支配していることが分かる。 コヒーレンスは次に、非対角セクターモードの収縮によってどれだけの速度で崩壊するかを決定する。
• 参考スコア（独自算出の注目度）: 0.8694591156258423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symmetry provides a quantum neural network structure, but on its own it does not keep the network trainable once noise is present. We ask which physical quantity decides whether the gradients of an equivariant circuit survive decoherence, and we answer with a compact training law. Working with U(1)-equivariant brickwork circuits that conserve a charge, we find that two distinct effects govern a trainable gradient. Causality fixes where the gradient can live, confining it to the backward light cone of the readout inside the active charge sector. Coherence then determines how fast it decays through the contraction of the off-diagonal sector modes that the projected readout can actually observe. We prove a light-cone reduction that pins the noiseless gradient to the sector-restricted cone with a lower bound independent of the total qubit number, and we define a readout-visible aligned coherence rate as a Rayleigh quotient of the noise generator along the gradient-carrying mode. A perturbative open-system analysis turns this rate into a leading-order training law. Density-matrix simulations then confirm that the finite-noise degradation follows a single accumulated variable built from noise depth and coherence contraction, with a coefficient of determination of 0.979. The sharpest test comes from a correlated-dephasing channel that has a large worst-case rate but a near-zero aligned rate. The law predicts no gradient loss for this channel, and none is seen. Sector coherence outperforms every standard channel diagnostic we compare it against, and the analysis identifies readout-visible sector coherence as the quantity that links equivariant architecture, open-system dynamics and noisy trainability.
• Abstract（参考訳）: シンメトリーは量子ニューラルネットワーク構造を提供するが、ノイズがあればネットワークをトレーニングできるようにはしない。 等変回路の勾配がデコヒーレンスであるかどうかを物理量で決定するかを問うとともに、コンパクトなトレーニング法則で答える。 電荷を保存するU(1)-同変ブリックワーク回路を用いて、2つの異なる効果がトレーニング可能な勾配を支配していることが分かる。 因果性は勾配が生きられる場所を固定し、活性電荷セクター内の読み出しの後方の光円錐に閉じ込める。 コヒーレンスは、投影された読み出しが実際に観測できる非対角セクターモードの収縮によって、どれだけの速度で崩壊するかを決定する。 我々は、全量子ビット数から独立して、セクター制限付きコーンにノイズのない勾配をピン留めする光円錐低減法を証明し、勾配搬送モードに沿ってノイズ発生器のレイリー商として読み出し可視整合コヒーレンス速度を定義する。 摂動的オープンシステム分析は、この率を先行訓練法に変換する。 密度行列シミュレーションにより、有限ノイズ分解はノイズ深さとコヒーレンス収縮から構築された1つの累積変数に従って、0.979の係数で決定されることを確認した。 最もシャープなテストは、最大の最悪のケースレートだが、ほぼゼロのアライメントレートを持つ相関型デフォーカスチャネルから得られる。 この法則は、このチャネルの勾配損失を予測せず、誰も見ることができない。 セクタコヒーレンスは、比較した標準チャネル診断において、同等のアーキテクチャ、オープンシステムダイナミクス、ノイズトレーサビリティをリンクする量として、読み出し可視セクタコヒーレンス(readout-visible sector coherence)を識別する。

関連論文リスト

• Certifying bipartite entanglement on a superconducting processor from a corrected QAOA cost layer [0.0]
  バルセロナ・スーパーコンピュテーション・センターの9ビット超伝導プロセッサ、レッドについて, 事前登録した単一デバイスについて報告する。 補正されたQAOAコスト層を2量子トモグラフィ陰性度で深度1で保証する。 我々は装置物理を直接測定し、固定されたベル準備の事前登録操作において、CZパルス振幅を減少させ、認証された負性度を因果的に減少させる。
  論文  参考訳（メタデータ） (2026-09-08T22:23:35Z)
• The ZZ feature map induces a signless Laplacian metric: a closed-form classical surrogate for quantum kernel regression [0.0]
  我々は、誘導核が小さい帯域幅の状態では、先行順に、計量 M = I + pi2 Q の異方性ガウス核であることを証明する。 対応する古典的カーネルは、適合パラメータを必要とせず、量子シミュレーションも必要としない。
  論文  参考訳（メタデータ） (2026-08-29T19:59:00Z)
• Quantum Natural Gradient on Quotient Spaces [12.042012916861829]
  パラメタライズド量子回路は状態保存冗長性を含むことが多い。 所定冗長度がフィッシャーカーネルを消耗した場合、ムーア-ペンローズ更新は最小限の水平リフトであることを示す。
  論文  参考訳（メタデータ） (2026-08-29T16:14:16Z)
• The Gain-Engineered Transmon [68.89136228609398]
  標準的なトランスモン・リードアウト共振器回路において,ノイズバイアス量子ビットを導入し,実験的に実現する。 本システムは,ハードウェア効率のよい量子エラー検出と修正手法のための単純なビルディングブロックとして利用するための道を開く。
  論文  参考訳（メタデータ） (2026-08-26T17:00:42Z)
• Intrinsic-Noise Consolidation: A Doob-Barrier-Conditioned Diffusion Turns Analog Device Noise into a Continual-Learning Resource [0.0]
  アナログニューロモルフィックハードウェアでは、固有のデバイスノイズは通常精度税である。 シングルヘッドのスプリット-MNIST (8シード)ルールでは、最適な内部で保持率10.9ポイントを上昇させる。 実際のBrainScaleS-2(オンチップ平均化による追加的、トライアル・ツー・トライアル・インディペンデント、チューナブル)の固有ノイズを測定し、トレーニングループのノイズでチップ上でルールを実行する。
  論文  参考訳（メタデータ） (2026-07-08T02:38:02Z)
• Neural Networks as Local-to-Global Computations [0.0]
  エッジ上の制約マップとして各計算ステップを符号化することにより,任意のReLUニューラルネットワークからシーフを構築する。 フォワードパスとは異なり、熱方程式は層間で情報を双方向に伝播し、両方の方向に制約を課すピン付きニューロンを可能にする。 我々は, この枠組みを小さな合成問題に対して実験的に検証し, 収束定理を検証し, せん断に基づくトレーニングがまだ勾配降下と競合していないものの, 理論によって予測される定量的なスケーリング法則に従うことを示した。
  論文  参考訳（メタデータ） (2026-03-16T05:23:31Z)
• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• Switching rates in Kerr resonator with two-photon dissipation and driving [0.0]
  有限デチューニングと2光子散逸を伴う2光子駆動のKerr発振器のスイッチング速度を解析的に検討した。 クラマーの理論と$P$-表現を用いて、ビットフリップ誤差率の解析式を導出する。
  論文  参考訳（メタデータ） (2025-11-17T12:40:56Z)
• Decentralized Optimization on Compact Submanifolds by Quantized Riemannian Gradient Tracking [45.147301546565316]
  本稿では,コンパクト部分多様体における分散最適化の問題について考察する。 エージェントが量子化変数を用いて変数を更新するアルゴリズムを提案する。 我々の知る限りでは、量子化の存在下で$mathcalO (1/K)$収束率を達成した最初のアルゴリズムである。
  論文  参考訳（メタデータ） (2025-06-09T01:57:25Z)
• Enhancing Dispersive Readout of Superconducting Qubits Through Dynamic Control of the Dispersive Shift: Experiment and Theory [47.00474212574662]
  超伝導量子ビットは、大帯域読み出し共振器に結合される。 我々は、100 ns 統合時間で 0.25,% の、最先端の2状態読み取りエラーを示す。 提案した結果により,新たなアルゴリズムやプロトコルの性能がさらに向上することが期待されている。
  論文  参考訳（メタデータ） (2023-07-15T10:30:10Z)
• Learning Discretized Neural Networks under Ricci Flow [48.47315844022283]
  低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。 DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
  論文  参考訳（メタデータ） (2023-02-07T10:51:53Z)
• Learning Quantized Neural Nets by Coarse Gradient Method for Non-linear Classification [3.158346511479111]
  特定の単調性を持つSTEのクラスを提案し、量子化されたアクティベーション関数を持つ2層ネットワークのトレーニングへの応用について検討する。 提案したSTEに対して,対応する粗度勾配法が大域最小値に収束することを示し,性能保証を確立する。
  論文  参考訳（メタデータ） (2020-11-23T07:50:09Z)

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。