論文の概要: EPIC-CIM: Training Convolutional Neural Networks on a Coherent Ising Machine via Equilibrium Propagation

• arxiv url: http://arxiv.org/abs/2607.16271v1
• Date: Wed, 08 Jul 2026 02:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.065705
• Title: EPIC-CIM: Training Convolutional Neural Networks on a Coherent Ising Machine via Equilibrium Propagation
• Title（参考訳）: EPIC-CIM:平衡伝播によるコヒーレントイジングマシン上での畳み込みニューラルネットワークの訓練
• Abstract要約: 量子畳み込みニューラルネットワークは、量子測定と離散量子状態進化の関与により、固有のトレーニング課題に直面している。 このフレームワークでは、入力データは畳み込み演算によって処理され、続いて量子サンプリングによってバイナリ表現を生成する。 ネットワーク全体のエネルギーは、畳み込み特徴マッチング項、出力層における線形結合項、大域出力制約項から成り立っている。
• 参考スコア（独自算出の注目度）: 37.18820527520441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum convolutional neural networks, due to the involvement of quantum measurements and discrete quantum state evolution, face inherent training challenges associated with non-differentiable operations and discrete optimization dynamics, which make conventional gradient-based learning difficult to apply effectively. In this context, energy-based learning provides a promising alternative by reformulating network training as an energy minimization process without explicit gradient backpropagation.In this framework, input data are processed through convolutional operations, followed by quantum sampling to generate intermediate binary representations, while the output layer also relies on quantum sampling to produce final predictions. The overall network energy is composed of convolutional feature matching terms, linear coupling terms at the output layer, and global output constraint terms, enabling both parameter updates and feature evolution to be described through physically interpretable energy dynamics. Furthermore, under the equilibrium propagation mechanism, the energy difference between the free phase and the weakly clamped phase is exploited to drive parameter updates without explicit gradient computation, thereby enabling stable and consistent learning in non-differentiable and discrete spaces. While remaining consistent with classical convolutional learning theory, the proposed framework enhances interpretability and observability through quantum energy modeling, offering a unified physical perspective for efficient QCNN training and the integration of quantum computing with artificial intelligence.
• Abstract（参考訳）: 量子畳み込みニューラルネットワークは、量子測定と離散量子状態進化の関与により、微分不可能な演算や離散最適化力学に関連する固有の訓練課題に直面しており、従来の勾配に基づく学習を効果的に適用することは困難である。 この枠組みでは、入力データは畳み込み演算によって処理され、続いて量子サンプリングによって中間二項表現が生成され、出力層は量子サンプリングにも依存して最終的な予測を生成する。 ネットワーク全体のエネルギーは、畳み込み特徴マッチング項、出力層における線形結合項、大域出力制約項からなり、パラメータ更新と特徴進化の両方を物理的に解釈可能なエネルギー力学によって記述できる。 さらに、平衡伝播機構の下では、自由位相と弱クランプ位相のエネルギー差を利用して、明示的な勾配計算をせずにパラメータ更新を駆動し、非微分可能かつ離散的空間における安定かつ一貫した学習を可能にする。 従来の畳み込み学習理論と整合性を維持しながら、提案フレームワークは量子エネルギーモデリングを通じて解釈可能性と可観測性を向上し、効率的なQCNNトレーニングのための統合された物理的視点と、量子コンピューティングと人工知能の統合を提供する。

関連論文リスト

• Robust Quantum Learning through Hamiltonian Reservoir Computing [0.27528170226206433]
  量子学習は、高次元ヒルベルト空間の本質的な表現能力を活用することで、情報処理のための多用途パラダイムを提供する。 本稿では、量子学習における3つの重要な課題、すなわちトレーニング可能性、ハードウェア効率、情報安定性に同時に対処する量子貯水池コンピューティングのためのハミルトン符号化フレームワークについて検討する。
  論文  参考訳（メタデータ） (2026-07-09T01:26:26Z)
• 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)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• 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)
• Quantum-data-driven dynamical transition in quantum learning [7.3025867148089745]
  我々は、目標値とデータがトレーニングの収束を決定する量子データ駆動の動的遷移を明らかにする。 一般化されたハールアンサンブルによる遷移を説明する非摂動理論を提供する。 本研究は,QNNトレーニングにおける収束を加速するコスト関数の構築に関するガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-10-02T18:58:02Z)
• Scalable neural quantum states architecture for quantum chemistry [5.603379389073144]
  量子状態のニューラルネットワーク表現の変分最適化は、相互作用するフェルミオン問題の解決に成功している。 本稿では,Ab-initio量子化学応用のための,ニューラルネットワークに基づく変分量子モンテカルロ計算を改善するための拡張並列化手法を提案する。
  論文  参考訳（メタデータ） (2022-08-11T04:40:02Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)

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。