論文の概要: Rethinking Quantum Continual Learning with Quantum Fisher Information

• arxiv url: http://arxiv.org/abs/2607.16030v1
• Date: Fri, 17 Jul 2026 15:02:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.880343
• Title: Rethinking Quantum Continual Learning with Quantum Fisher Information
• Title（参考訳）: 量子漁業情報を用いた量子連続学習の再考
• Abstract要約: 量子連続学習は、以前に学習した知識を失うことなく、シーケンシャルなタスクで量子モデルを訓練することを目的としている。 本稿では, 量子フィッシャー情報 (QFI) インフォームド正規化手法であるQEWC(Quantum Elastic Weight Consolidation)を提案する。
• 参考スコア（独自算出の注目度）: 2.1320486231868068
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantum continual learning aims to train quantum models on sequential tasks without losing previously learned knowledge. However, variational quantum classifiers (VQCs) are prone to catastrophic forgetting under nonstationary task distributions. We propose quantum elastic weight consolidation (QEWC), a quantum Fisher information (QFI)-informed regularization method for mitigating forgetting. Unlike conventional elastic weight consolidation based on classical Fisher information (CFI), which measures parameter importance through measurement-dependent output statistics, QEWC uses QFI to quantify the intrinsic sensitivity of the parameterized quantum state. This gives an information-geometric view in which important parameters are identified by the local response of the quantum state manifold. We evaluate QEWC on VQCs trained on sequential binary classification tasks, including classical image-classification and quantum phase-classification tasks. Simulations show that sequential training without regularization causes severe forgetting, while both CFI-based EWC and QFI-based QEWC improve retention of previous tasks. Mechanistic analyses further show that the two methods impose different regularization geometries: CFI acts selectively on measurement-sensitive directions, whereas QFI imposes a denser state-geometric constraint over parameter space. Under depolarizing noise, CFI values are strongly suppressed by degraded measurement statistics, while QFI preserves a more stable sensitivity structure of the noisy parameterized quantum state. These results establish QEWC as a physically motivated approach for studying and mitigating forgetting in quantum continual learning through quantum-state geometry.
• Abstract（参考訳）: 量子連続学習は、以前に学習した知識を失うことなく、シーケンシャルなタスクで量子モデルを訓練することを目的としている。 しかしながら、変分量子分類器(VQC)は、非定常的なタスク分布の下で破滅的な忘れをしがちである。 本稿では, 量子フィッシャー情報 (QFI) インフォームド正規化手法であるQEWC(Quantum Elastic Weight Consolidation)を提案する。 古典的フィッシャー情報(CFI)に基づく従来の弾性重み統合とは違い、QEWCはQFIを用いてパラメータ化量子状態の固有感度を定量化する。 これにより、重要なパラメータが量子状態多様体の局所応答によって識別される情報幾何学的ビューが得られる。 我々は、古典的な画像分類や量子位相分類タスクを含む逐次二元分類タスクで訓練されたVQC上のQEWCを評価する。 CFIベースのEWCとQFIベースのQEWCの両方が以前のタスクの維持を改善しているのに対し、正規化を伴わないシーケンシャルトレーニングが深刻な忘れ込みを引き起こすことがシミュレーションによって示されている。 さらに、力学解析により、CFIは測定感度の方向に対して選択的に作用するが、QFIはパラメータ空間に対してより密度の高い状態幾何学的制約を課す。 偏極雑音下では、CFI値は劣化測定統計により強く抑制され、QFIはノイズのパラメータ化量子状態のより安定した感度構造を保持する。 これらの結果はQEWCを量子状態幾何学による量子連続学習における忘れを研究・緩和するための物理的動機付けのアプローチとして確立する。

関連論文リスト

• Machine-Learning Prediction of Quantum Fisher Information from Collective Spin and Spectral Features [0.0]
  本研究では,実験的に利用可能な量の限られたセットから,Quantum Fisher情報の予測範囲について検討する。 物理的に動機づけられた特徴を比較することにより,QFIを規定する主要な特徴集合を同定する。 我々は,QFIが主に密度行列の集団共分散と低次スペクトルモーメントの相互作用によって制御されることを示した。
  論文  参考訳（メタデータ） (2026-06-02T00:45:09Z)
• Quantum timekeeping and the dynamics of scrambling in critical systems [0.0]
  情報スクランブルシステムの局所的なサブシステムは自然に量子ストップウォッチとして機能することを示す。 推定パラメータとして時間を扱う場合、一般化された量子クレーマー・ラオ境界を導出する。 仮想時間相関器に基づくスケーリング解析を用いて、サブシステムQFIは量子相転移付近で普遍的な臨界増幅を示すことを示す。
  論文  参考訳（メタデータ） (2026-03-13T14:21:49Z)
• Fragility of Optimal Measurements due to Noise in Probe States for Quantum Sensing [0.0]
  我々は,ジェンセンの不平等を通じて不連続性が脆弱性を高めることを示す。 本稿では,不連続がイェンセンの不等式を通じて脆弱性を高めるかを理解するための枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-13T16:39:41Z)
• 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)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• 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)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)
• Variational Quantum Algorithm for Estimating the Quantum Fisher Information [0.0]
  本稿では,変分量量漁業情報推定(VQFIE)という変分量子アルゴリズムを提案する。 QFI上の下限と上限を、その忠実度に基づいて推定することにより、VQFIEは実際のQFIが属する範囲を出力する。 この結果は、量子センシングの適用のために、QFIを最大化する状態を変動的に準備するために使われる。
  論文  参考訳（メタデータ） (2020-10-20T17:44:55Z)
• Using Quantum Metrological Bounds in Quantum Error Correction: A Simple Proof of the Approximate Eastin-Knill Theorem [77.34726150561087]
  本稿では、量子誤り訂正符号の品質と、論理ゲートの普遍的な集合を達成する能力とを結びつける、近似したイージン・クニル定理の証明を示す。 我々の導出は、一般的な量子気象プロトコルにおける量子フィッシャー情報に強力な境界を用いる。
  論文  参考訳（メタデータ） (2020-04-24T17:58:10Z)
• In and out of equilibrium quantum metrology with mean-field quantum criticality [68.8204255655161]
  本稿では,集団遷移現象が量子力学プロトコルに与える影響について考察する。 単一球面量子スピン(SQS)は平均場レベルでの分析的な洞察を可能にするステレオタイプ玩具モデルとして機能する。
  論文  参考訳（メタデータ） (2020-01-09T19:20:42Z)

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。