論文の概要: How Hard Is Quantum Advantage? A Cloud Microphysics Stress Test for Variational Quantum Models
- arxiv url: http://arxiv.org/abs/2607.04915v1
- Date: Mon, 06 Jul 2026 10:43:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.119972
- Title: How Hard Is Quantum Advantage? A Cloud Microphysics Stress Test for Variational Quantum Models
- Title（参考訳）: 量子アドバンテージはどれ程難しいか? 変動量子モデルのためのクラウドマイクロ物理応力試験
- Abstract要約: クラウドマイクロ物理のデータセットにハイブリッド量子ニューラルネットワーク(QNN)を用いる。
我々のQNNは、広範なハイパーパラメータ最適化の恩恵を強く受けています。
同時に、QNNは、単純な完全接続ニューラルネットワークという形で、古典的なベースラインよりも優れています。
- 参考スコア（独自算出の注目度）: 0.041122099523495166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning (QML) could have the potential to leverage advantages of quantum over classical computing but still lacks strong evidence of actual improvements and scalability, partly due to phenomena such as barren plateaus. In this paper, we employ a hybrid quantum neural network (QNN) on a dataset on cloud microphysics, containing processes for phase transitions of water in the atmosphere and its related temperature changes, which are highly relevant for accurate climate predictions and projections. To reach optimal performance of our QNNs, we employ a rich and trainable frequency spectrum together with expressivity enhancing classical postprocessing. We find that our QNNs strongly benefit from extensive hyperparameter optimization and thereby demonstrate the feasibility of applying QNNs to complex physical systems. At the same time, the QNNs are outperformed by classical baselines in the form of simple fully-connected neural networks. We discuss identified bottlenecks of this class of quantum models to learn the full complexity of the cloud microphysics dataset to show that there is a need to further understand and improve variational quantum models for machine learning such that they might fill the gap where classical models fail or are inefficient.
- Abstract（参考訳）: 量子機械学習(QML)は、古典的コンピューティングよりも量子の利点を利用する可能性があるが、バレンプラトーのような現象のために、実際の改善とスケーラビリティの強力な証拠はいまだに欠けている。
本稿では,大気中の水の相転移と関連する温度変化のプロセスを含む,雲マイクロ物理のデータセット上に,ハイブリッド量子ニューラルネットワーク(QNN)を用いる。
QNNの最適性能を達成するために、我々はリッチで訓練可能な周波数スペクトルと、古典的な後処理の表現率を向上する。
我々のQNNは広範なハイパーパラメータ最適化の恩恵を強く受けており、複雑な物理システムにQNNを適用する可能性を示している。
同時に、QNNは、単純な完全接続ニューラルネットワークという形で、古典的なベースラインよりも優れています。
このタイプの量子モデルのボトルネックを特定し、クラウドマイクロフィジカルデータセットの完全な複雑さを学習し、古典的モデルが失敗または非効率なギャップを埋めるため、機械学習のための変分量子モデルをさらに理解し改善する必要があることを示す。
関連論文リスト
- Quantum Machine Learning for particle scattering entanglement classification [0.0]
絡み合いは、粒子散乱過程における量子相関を特徴づける重要な量である。
本研究では,フェミオン密度プロファイルが,問題を分類タスクとしてフレーミングすることで,絡み合うためのプロキシとして機能するかどうかを検討する。
量子畳み込みニューラルネットワーク(QCNN)は、より高速な収束と低分散で、一貫して競争力や優れた精度を達成する。
論文 参考訳（メタデータ） (2026-04-07T15:13:38Z) - Quantum Recurrent Embedding Neural Network [11.54075064463256]
本稿では、ResNetの高速トラック情報経路にインスパイアされた量子リカレント埋め込みニューラルネットワーク(QRENN)を提案する。
我々は、QRENN回路のトレーニング可能性の厳密な証明を提供し、このディープ量子ニューラルネットワークがバレンプラトーを回避することができることを示した。
その結果、量子ニューラルネットワークに再帰的なデータ埋め込みのパワーと、スケーラブルな量子教師あり学習の可能性を強調した。
論文 参考訳（メタデータ） (2025-06-16T07:50:31Z) - 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) - Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine [0.9968037829925945]
我々は,CO2捕捉アミンの構造-適合関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。
HQNNは、塩基性、粘性、沸点、融点、蒸気圧などの主要な溶媒特性の予測精度を向上させる。
論文 参考訳（メタデータ） (2025-03-01T07:26:45Z) - A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。
量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
論文 参考訳（メタデータ） (2024-07-23T11:38:06Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - The dilemma of quantum neural networks [63.82713636522488]
量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。
QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。
これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
論文 参考訳（メタデータ） (2021-06-09T10:41:47Z) - 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) - 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) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。