論文の概要: A Non-Commutative Voronovskaya Theorem for Quantum Neural Network Operators

• arxiv url: http://arxiv.org/abs/2607.11907v1
• Date: Wed, 01 Jul 2026 15:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.403298
• Title: A Non-Commutative Voronovskaya Theorem for Quantum Neural Network Operators
• Title（参考訳）: 量子ニューラルネットワーク演算子のための非可換Voronovskaya理論
• Authors: Rômulo Damasclin Chaves dos Santos, Delvonei Alves de Andrade,
• Abstract要約: 任意の量子チャネルを近似すると、量子ニューラルネットワーク演算子の完全拡張が証明される。 本稿では,予測収束率と対数補正を検証した古典的アナログに対する数値テストを提案する。 我々の研究は、古典近似理論、分数計算、量子機械学習の厳密なブリッジを構築している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We prove a complete asymptotic expansion for quantum neural network operators when they approximate arbitrary quantum channels. This is the non-commutative analogue of the classical Voronovskaya theorem. The expansion reveals that the approximation error splits into three fundamentally different parts: integer powers of \(1/n\) involving ordinary Fréchet derivatives; fractional powers governed by Marchaud fractional derivatives, which capture the Hölder smoothness of the channel; and purely quantum commutator terms that have no classical counterpart. The remainder is bounded sharply by an explicit constant: \[ \norm{R_{m,n}(Φ,\bullet)}_\diamond \le C_{m,γ,d} \|Φ\|_{\cC^{m,γ}} \, n^{-(m+γ)} (\log n)^{3m/2}. \] We present a numerical test for a classical analogue that confirms the predicted convergence rate and the logarithmic correction, directly validating the asymptotic theory. Based on this expansion, we obtain three major advances: a quantum central limit theorem for the fluctuations of quantum neural network operators, a method to construct optimal interpolation geodesics between quantum channels via Kubo-Ando means, and a systematic understanding of how fractional smoothness limits the acceleration of quantum neural network approximations. The numerical test further demonstrates that the theoretical rates are sharp and that logarithmic enhancements are unavoidable. Altogether, our work builds a rigorous bridge between classical approximation theory, fractional calculus, and quantum machine learning, offering both theoretical insight and practical tools for designing and analyzing quantum neural networks in finite dimensions.
• Abstract（参考訳）: 任意の量子チャネルを近似すると、量子ニューラルネットワーク演算子に対して完全な漸近展開が証明される。 これは古典的なヴォロノフスキーの定理の非可換類似である。 この拡張により、近似誤差は、通常のフレシェ微分を含む 1/n\ の整数のパワー、チャネルのヘルダー滑らかさを捉えるマーガウド分数微分によって支配される分数的なパワー、古典的な逆数を持たない純粋に量子可換項の3つの部分に分けられることが明らかになった。 残りは明示定数 \[ \norm{R_{m,n}(\,\bullet)}_\diamond \le C_{m,γ,d} \|\\|_{\cC^{m,γ}} \, n^{-(m+γ)} (\log n)^{3m/2} で鋭く境界づけられる。 本研究は, 予測収束率と対数補正を検証し, 漸近的理論を直接検証する古典的アナログに対する数値テストを提案する。 この拡張に基づき、量子ニューラルネットワーク演算子のゆらぎに対する量子中心極限定理、Kubo-Ando平均による量子チャネル間の最適補間測地線を構築する方法、量子ニューラルネットワーク近似の加速度を分数的滑らかさがどのように制限するかの体系的な理解の3つの主要な進歩を得た。 数値実験は、理論速度が鋭く、対数的拡張が避けられないことを示す。 さらに、我々の研究は古典近似理論、分数計算、量子機械学習の厳密な橋渡しを行い、量子ニューラルネットワークを有限次元で設計・解析するための理論的な洞察と実践的なツールを提供する。

関連論文リスト

• Asymptotic Expansions for Neural Network Approximations of Quantum Channels [0.0]
  本稿では,量子ニューラルネット演算子の完全な評価法として,量子Voronovskaya-Damasclin(QVD)理論を確立する。 我々は、リウヴィル表現においてフレシェ微分可能性を通じて定義されるソボレフ空間とハルダー空間の量子アナログを導入する。 本枠組みでは,近似誤差の明示的な拡張を導出し,収束を規定する基本的なメカニズムを同定する。
  論文  参考訳（メタデータ） (2026-03-09T18:12:57Z)
• Schrodinger Neural Network and Uncertainty Quantification: Quantum Machine [0.0]
  本稿では,条件密度推定と不確実性に対する原理的アーキテクチャであるSchrodinger Neural Network(SNN)を紹介する。 SNNは、各入力を出力領域上の正規化波動関数にマッピングし、Bornルールを介して予測確率を計算する。
  論文  参考訳（メタデータ） (2025-10-27T15:52:47Z)
• 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)
• Exploring Multiscale Quantum Media: High-Precision Efficient Numerical Solution of the Fractional Schr\"odinger equation, Eigenfunctions with Physical Potentials, and Fractionally-Enhanced Quantum Tunneling [0.0]
  この研究には、量子実験家から応用数学者へのコミュニティのためのオープンソースコードが含まれており、分数的なシュリンガー方程式の解を簡単かつ効率的に探索することができる。
  論文  参考訳（メタデータ） (2024-03-12T01:03:42Z)
• Universal Approximation Theorem and error bounds for quantum neural networks and quantum reservoirs [2.07180164747172]
  ここでは、関数の特定のクラスに対して正確な誤差境界を提供し、これらの結果をランダム化された量子回路の興味深い新しいセットアップに拡張する。 特に, $mathcalO(varepsilon-2)$ weights および $mathcalO(lceil log_2(varepsilon-1) rceil)$ qubits suffices を用いて, 積分フーリエ変換で関数を近似すると, 精度が $varepsilon>0$ となることを示す。
  論文  参考訳（メタデータ） (2023-07-24T15:52:33Z)
• Third quantization of open quantum systems: new dissipative symmetries and connections to phase-space and Keldysh field theory formulations [77.34726150561087]
  3つの方法全てを明示的に接続する方法で第3量子化の手法を再構成する。 まず、我々の定式化は、すべての二次ボゾンあるいはフェルミオンリンドブラディアンに存在する基本散逸対称性を明らかにする。 ボソンに対して、ウィグナー関数と特徴関数は密度行列の「波動関数」と考えることができる。
  論文  参考訳（メタデータ） (2023-02-27T18:56:40Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
  本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。 3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
  論文  参考訳（メタデータ） (2021-08-03T17:49:09Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)

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。