論文の概要: Ravines in quantum cost landscapes: opportunities for improved VQA predictions
- arxiv url: http://arxiv.org/abs/2607.01329v1
- Date: Wed, 01 Jul 2026 18:00:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.544932
- Title: Ravines in quantum cost landscapes: opportunities for improved VQA predictions
- Title（参考訳）: 量子コストランドスケープにおけるラビン : 改良されたVQA予測の機会
- Abstract要約: 我々は,Nudged Elastic Band (NEB) アルゴリズムの適応版を用いて,局所的なミニマを接続するローコストパスを解析した。
低コストのNEB経路に沿ってパラメータ化されたQNNからの予測を平均化してアンサンブル予測フレームワークを構築する。
本稿では,QNN NEBアプローチによるQCLのラヴィン様構造を活用することにより,計算コストを大幅に削減できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The geometric and topological structure of quantum cost landscapes (QCLs) governs the optimization and thus the predictive power of variational quantum algorithms (VQAs). We systematically analyze ravines - low-cost paths connecting local minima - using an adapted version of the nudged elastic band (NEB) algorithm, a method originating from theoretical chemistry. By training quantum neural networks (QNNs) to classify the concentratable entanglement of quantum states, we apply the NEB algorithm and numerically identify ravine structures in QCLs of hardware-efficient ansatzes. Beyond visualizing these ravines, we construct an ensemble prediction framework by averaging predictions from QNNs parameterized along the low-cost NEB path. We introduce a resource-light pre-training metric which quantifies local-prediction variability and serves as a strong performance indicator for VQAs, even beyond the scope of this study. When base classifiers are drawn from circuit and weight initializations exhibiting high local-prediction variability, the quantum-based NEB ensembles outperform both classical and naive quantum alternatives. Moreover, a complexity analysis shows that leveraging the ravine-like structure of QCLs with the QNN NEB approach substantially reduces computational costs compared to naive QNN ensembling. A depth and qubit scaling analysis indicates that ravines persist across both scalings, and that, despite the expected growth in resource requirements with the qubit scaling, the NEB approach also accelerates convergence over the naive alternative.
- Abstract（参考訳）: 量子コストランドスケープ(QCL)の幾何学的および位相的構造は、最適化と変分量子アルゴリズム(VQA)の予測力を支配している。
我々は,理論化学から派生した手法であるNudged Elastic Band (NEB) アルゴリズムの適応版を用いて,局所的なミニマを接続するローコストパスを系統的に解析した。
量子状態の集中的絡み合いを分類するために量子ニューラルネットワーク (QNN) を訓練することにより, NEBアルゴリズムを適用し, ハードウェア効率の良いアンサーゼのQCLにおけるラジン構造を数値的に同定する。
低コストのNEB経路に沿ってパラメータ化されたQNNからの予測を平均化することにより,これらの空洞を可視化するだけでなく,アンサンブル予測フレームワークを構築した。
本稿では,局所的な予測変動の定量化と,VQAの強力な性能指標として機能する資源光事前学習指標を提案する。
回路および重みの初期化から基底分類器が引かれると、量子ベースのNEBアンサンブルは古典的およびナイーブな量子オルタナティブの両方に優れる。
さらに,QNN NEBアプローチによるQCLのラヴィン様構造を利用した複雑性解析により,単純QNNアンサンブルに比べて計算コストを大幅に削減できることが示唆された。
深さとキュービットのスケーリング分析は、両方のスケーリングにまたがってラジンが持続し、キュービットのスケーリングによるリソース要求が期待されているにもかかわらず、NEBアプローチは単純な代替手段よりも収束を加速することを示している。
関連論文リスト
- Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。
QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
論文 参考訳（メタデータ） (2026-01-06T09:58:14Z) - Uncertainty-Preserving QBNNs: Multi-Level Quantization of SVI-Based Bayesian Neural Networks for Image Classification [9.160739594332036]
変分推論に基づくBNNのための体系的マルチレベル量子化フレームワークを提案する。
分類精度と不確かさの両面を保ちながら,BNNを4ビット精度まで量子化できることを実証した。
論文 参考訳（メタデータ） (2025-12-11T12:51:42Z) - Adapting Quantum Machine Learning for Energy Dissociation of Bonds [6.247064060111601]
ボンドエネルギー予測のための量子および古典的機械学習モデルの比較ベンチマークを示す。
トップパフォーマンス量子モデル(QCNN, QRF)は、古典的なアンサンブルやディープネットワークの予測精度と堅牢性に一致する。
論文 参考訳（メタデータ） (2025-10-08T01:32:26Z) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Adaptive Neural Quantum States: A Recurrent Neural Network Perspective [0.7234862895932991]
ニューラルネットワーク量子状態(NQS)を最適化する適応スキームを示す。
NQSは、量子多体物理学を研究するための有望なツールとして登場した強力なニューラルネットワークアンゼである。
論文 参考訳（メタデータ） (2025-07-24T18:00:03Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。
与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。
量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文 参考訳（メタデータ） (2025-06-04T08:30:35Z) - Enhancing Variational Quantum Circuit Training: An Improved Neural Network Approach for Barren Plateau Mitigation [0.0]
変分量子アルゴリズム(VQA)は、短期量子コンピューティングにおいて最も有望なアルゴリズムの一つである。
コスト関数を最適化するために回路パラメータを反復的に更新する。
変分量子回路(VQCs)の訓練は、バレンプラトー(BPs)と呼ばれる現象の影響を受けやすい
論文 参考訳（メタデータ） (2024-11-14T06:43:37Z) - Scaling Limits of Quantum Repeater Networks [62.75241407271626]
量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。
量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。
本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
論文 参考訳（メタデータ） (2023-05-15T14:57:01Z) - 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) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳（メタデータ） (2020-11-12T08:32:04Z)
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。