論文の概要: Benchmarking loss functions for trainable quantum feature maps

• arxiv url: http://arxiv.org/abs/2607.12487v1
• Date: Tue, 14 Jul 2026 08:20:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.084358
• Title: Benchmarking loss functions for trainable quantum feature maps
• Title（参考訳）: トレーニング可能な量子特徴写像に対するベンチマーク損失関数
• Abstract要約: その結果,Log-Likelihood Lossは測定損失よりも安定的に最適化できることがわかった。 結果として得られたベンチマークは、量子カーネル最適化におけるトレーニング可能性、計算効率、予測性能のバランスをとるための実用的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many quantum machine learning models employ quantum feature maps to encode classical data into quantum states. While fixed feature maps often lack sufficient expressivity for complex nonlinear classification tasks, trainable quantum feature maps (TQFMs) enable adaptive quantum kernels with enhanced learning capability. Different loss functions can induce distinct optimization dynamics, yet their effects remain poorly understood. In this work, we apply the Log-Likelihood Loss function for TQFMs and provide a systematic comparison with Distance Loss and Measurement Loss. Through extensive numerical experiments, we compare their optimization dynamics, computational costs, and classification performance. Our results show that Log-Likelihood Loss consistently achieves more stable optimization than Measurement Loss while retaining linear computational complexity. The resulting benchmark offers practical guidance for balancing trainability, computational efficiency, and predictive performance in quantum kernel optimization.
• Abstract（参考訳）: 多くの量子機械学習モデルは、古典的なデータを量子状態にエンコードするために量子特徴写像を使用する。 固定特徴写像は複雑な非線形分類タスクに十分な表現性を持たないことが多いが、トレーニング可能な量子特徴写像(TQFM)は、学習能力を増強した適応量子カーネルを実現する。 異なる損失関数は異なる最適化力学を誘導することができるが、その効果はよく分かっていない。 本研究では,TQFMの対数損失関数を適用し,距離損失と測定損失とを系統的に比較する。 大規模な数値実験を通じて,最適化力学,計算コスト,分類性能を比較した。 この結果から,Log-Likelihood Lossは線形計算複雑性を維持しつつ,測定損失よりも安定な最適化を実現していることがわかった。 結果として得られたベンチマークは、量子カーネル最適化におけるトレーニング可能性、計算効率、予測性能のバランスをとるための実用的なガイダンスを提供する。

関連論文リスト

• Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization [50.880384999888044]
  我々は,不特定なGP帯域幅アルゴリズムを開発し,近似誤差と情報ゲインとのトレードオフを特徴付ける後悔境界を導出する。 提案手法は, 計算オーバーヘッドを大幅に低減しつつ, サンプル効率で完全量子カーネルの性能を向上する。
  論文  参考訳（メタデータ） (2026-07-01T15:38:00Z)
• Benchmarking Quantum Extreme Learning based on Gaussian Boson Sampling [0.5161531917413708]
  Reservoirモデルは、ノイズの多い中間スケール量子デバイスに対して、ハードウェア効率のよい学習パラダイムを提供する。 本稿では,光学資源の要求を低減しつつ,高い分類精度を実現する量子極端学習マシンを提案する。
  論文  参考訳（メタデータ） (2026-06-13T10:00:10Z)
• Kernel-based optimization of measurement operators for quantum reservoir computers [5.486630950557179]
  我々は、カーネルリッジ回帰の枠組みにおいて、ステートレス(量子極端学習マシン、QELM)とステートフル(依存依存)QRCの両方のトレーニングを定式化する。 このアプローチは、与えられた貯水池とトレーニングデータセットの予測誤差を最小限に抑える最適な測定演算子を示す。
  論文  参考訳（メタデータ） (2026-02-16T12:04:42Z)
• Advantage for Discrete Variational Quantum Algorithms in Circuit Recompilation [13.839852906168787]
  量子回路再コンパイルタスクにおける適応的戦略と非適応的戦略の指数関数的分離の証拠を示す。 数値実験により,ボリューム・ロー・エンタングルメントとハイ・マグニックの条件下で動作している隠れ回路構造を効率よく発見できることが示されている。
  論文  参考訳（メタデータ） (2025-10-01T17:42:55Z)
• Randomized Benchmarking of Local Zeroth-Order Optimizers for Variational Quantum Systems [65.268245109828]
  古典学のパフォーマンスを、半ランダム化された一連のタスクで比較する。 量子システムにおける一般に好適な性能とクエリ効率のため、局所ゼロ階数に着目する。
  論文  参考訳（メタデータ） (2023-10-14T02:13:26Z)
• Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
  変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。 この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
  論文  参考訳（メタデータ） (2023-02-09T14:05:18Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Performance Evaluations of Signed and Unsigned Noisy Approximate Quantum Fourier Arithmetic [3.256297688080386]
  量子コンピュータ上でQFTベースの整数加算と乗算を実装した。 これらの演算は様々な量子応用に基本的である。 我々はこれらの実装をIBMの超伝導量子ビットアーキテクチャに基づいて評価する。
  論文  参考訳（メタデータ） (2021-12-17T06:51:18Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。