論文の概要: An Agentic Formalization for Certified Quantum Neural Network Design
- arxiv url: http://arxiv.org/abs/2607.12981v1
- Date: Tue, 14 Jul 2026 17:23:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.233748
- Title: An Agentic Formalization for Certified Quantum Neural Network Design
- Title（参考訳）: 認証量子ニューラルネットワーク設計のためのエージェント形式化
- Abstract要約: 結合型リーン4開発において量子ニューラルネットワーク(QNN)理論の主要な構成要素を定式化する。
表現性側では、単一量子QNNのif-and-only-if特性を正確に証明する。
訓練性側では、非循環型第2モーメントインタフェースを用いて直接損失分散法則を導出する。
- 参考スコア（独自算出の注目度）: 12.920508545174712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A central model in quantum machine learning is the quantum neural network (QNN), whose design requires balancing expressivity and trainability. Technically, expressivity is studied through circuit-function analysis, such as quantum signal processing, while trainability is analyzed using dynamical-Lie-algebra (DLA) methods. To support certified QNN design, we formalize these major components of QNN theory in a connected lean 4 development checked by a proof kernel, where every analytic input is either proved or exposed as a named hypothesis. On the expressivity side, we prove exact if-and-only-if characterizations of single-qubit QNNs, a resource-counted quantum phase processing theorem, and an overparameterization ceiling that bounds the quantum Fisher information rank by the DLA dimension. On the trainability side, we derive the direct-sum loss-variance law through a de-circularized second-moment interface. A parameterized Casimir-uniqueness engine discharges the required inputs for fully controllable, orthogonal, and matchgate circuit families, while single-qubit and product-Clifford ensembles close the two-design assumptions directly. A capstone theorem pairs the conditional variance law with exact loss reconstruction in DLA coordinates. The development record identifies eight corrections and clarifications that were not explicit in the informal arguments. We expect this work to provide a machine-checkable foundation for QNN theory and a step toward AI-assisted or automated design of quantum machine learning algorithms.
- Abstract（参考訳）: 量子機械学習の中心的なモデルは量子ニューラルネットワーク(QNN)であり、その設計には表現性とトレーニング性のバランスが必要である。
技術的には、量子信号処理などの回路関数解析を通じて表現性を研究し、動的Lie-algebra (DLA) 法を用いてトレーニング性を分析する。
証明されたQNN設計を支援するため,これらのQNN理論の主要なコンポーネントを証明カーネルがチェックした接続型リーン4開発で形式化し,全ての解析入力が証明されるか,名前付き仮説として公開される。
表現性側では、単一量子ビットQNNの正確なif-and-only-if特性、リソースカウント量子位相処理定理、およびDLA次元による量子フィッシャー情報ランクを束縛するオーバーパラメトリゼーション天井を証明する。
トレーニング容易性については,非循環化第2モーメントインタフェースを用いて直接損失分散法則を導出する。
パラメータ化カシミール・ユニキネスエンジンは、完全な制御可能、直交、整合回路ファミリに必要な入力を出力する一方、単一キュービットおよび製品クリフォードは、2つの設計仮定を直接閉じる。
キャップストーンの定理は、DLA座標における条件分散法則と正確な損失再構成とを一致させる。
開発記録では、非公式な議論では明示されなかった8つの修正と明確化が特定されている。
この研究は、QNN理論のマシンチェック可能な基盤と、量子機械学習アルゴリズムのAI支援または自動設計に向けたステップを提供することを期待している。
関連論文リスト
- How to find expressible and trainable parameterized quantum circuits? [0.22940141855172033]
トレーニング性と表現性を組み合わせた回路を同定するための特性に基づくアンザッツ探索フレームワークを提案する。
実量子コンピュータ上での実用可能性を示し、変分量子アルゴリズムに適用する。
論文 参考訳（メタデータ） (2026-03-15T15:54:30Z) - Quantum Orthogonal Separable Physics-Informed Neural Networks [0.0]
本稿では、偏微分方程式を解くための新しいアーキテクチャであるQO-SPINN(Quantum Orthogonal Separable Physics-Informed Neural Networks)を紹介する。
量子アルゴリズムを用いて各層内の行列乗法を高速化し,$mathcal O(dlog d/2)$ complexity を達成する。
我々は、不確実性定量化(UQ)のための堅牢で効率的なフレームワークを提供しており、これは私たちの知る限り、分離可能なPINN用に特別に設計された最初のUQ手法である。
論文 参考訳（メタデータ） (2025-11-16T14:15:19Z) - 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) - Expressivity Limits of Quantum Reservoir Computing [0.0]
パラメタライズド量子回路量子機械学習(PQC-QML)への公式な接続を確立する。
古典的データから生成可能な非線形関数の数は、入力符号化ゲートの数によって線形に制限されていることを解析的に証明し、数値的に相関する。
我々の結果は指数ヒルベルト空間のスケーリングがQRCにおける対応する計算上の優位性を与えるという一般的な仮定に挑戦する。
論文 参考訳（メタデータ） (2025-01-26T13:43:03Z) - 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) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳（メタデータ） (2022-08-30T08:17:55Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。
本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文 参考訳（メタデータ） (2022-05-17T07:47:00Z) - Chaos and Complexity from Quantum Neural Network: A study with Diffusion
Metric in Machine Learning [0.0]
量子ニューラルネットワーク(QNN)の機械学習力学における量子カオス現象と複雑性について検討する。
統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
論文 参考訳（メタデータ） (2020-11-16T10:41:47Z) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z) - 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。