論文の概要: Image Classification on IBM Quantum Computers

• arxiv url: http://arxiv.org/abs/2607.17705v1
• Date: Mon, 20 Jul 2026 08:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.556855
• Title: Image Classification on IBM Quantum Computers
• Title（参考訳）: IBM量子コンピュータの画像分類
• Authors: Junghoon Justin Park, Jiook Cha, Jun-gyeong Park, Hwidong Yoo, Kwangmin Yu,
• Abstract要約: 実雑音性中間スケール量子(NISQ)ハードウェア上の量子機械学習は、主にバイナリや少数クラスのタスクに限定されている。 本稿では,127ドルのIBM Eagleプロセッサ上で10クラスのMNISTをエンドツーエンドに分類する統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.250003734486072
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantum machine learning on real noisy intermediate-scale quantum (NISQ) hardware has remained largely confined to binary or few-class tasks, limited by the cost of on-hardware training and the underuse of large devices at inference. We present a unified framework that classifies ten-class MNIST end-to-end on a $127$-qubit IBM Eagle processor, with three central contributions. First, a two-phase protocol decouples a gradient-based classical optimization of the encoder and readout from a gradient-free optimization of the quantum parameters, removing the parameter-shift gradient cost that makes on-hardware training impractical. Second, we introduce Quantum Multi-Programming to a trained quantum classifier for the first time, packing multiple circuit copies onto one device to deliver parallel inference at no mean-accuracy cost while cutting quantum-processor job submissions proportionally. Third, a controlled comparison shows that on-hardware fine-tuning yields no measurable accuracy gain, motivating a practical NISQ workflow: train on a classical simulator and reserve the hardware for inference only. Benchmarked against a matched-capacity classical network, the quantum module shows no per-parameter accuracy advantage at this scale; we therefore frame the work as a feasibility-and-workflow demonstration for multi-class quantum image classification on current hardware.
• Abstract（参考訳）: 実際のノイズの多い中間規模量子(NISQ)ハードウェア上の量子機械学習は、オンハードウェアトレーニングのコストと推論時の大規模デバイスの使用によって制限される、バイナリまたは少数クラスのタスクに限られている。 127ドルのIBM Eagleプロセッサ上で10クラスのMNISTをエンドツーエンドに分類し、3つの中心的なコントリビューションを持つ統一フレームワークを提案する。 第一に、2相プロトコルは、エンコーダの勾配に基づく古典的な最適化と、量子パラメータの勾配のない最適化から読み出しを分離し、オンハードウェアのトレーニングを非現実的にするパラメータシフト勾配コストを除去する。 第2に、トレーニングされた量子分類器に量子マルチプログラミングを導入し、複数の回路コピーを1つのデバイスに詰め込み、量子プロセッサのジョブを比例してカットしながら平均精度のコストで並列推論を行う。 第三に、制御された比較では、オンハードウェアの微調整では測定可能な精度が得られず、NISQの実践的なワークフローを動機付けている。 一致容量の古典的ネットワークと比較すると、このスケールでは、量子モジュールはパラメータごとの精度の優位性を示さない。

関連論文リスト

• Closing the Loop: Resource-aware Hybrid NAS Guided by Analytical and Hardware-Calibrated Quantum Cost Modeling [2.5435687567731926]
  実際のデバイス上での量子回路のトレーニングには数千の回路実行が必要であり、現在のNISQデバイスでは現実的ではない。 実バックエンドキャリブレーションデータを用いて,量子ハードウェア資源を推定する解析的量子コストモデルを提案する。 本稿では,ハードウェアを意識したハイブリッドニューラルネットワーク検索フレームワークHyb-HANASについて述べる。
  論文  参考訳（メタデータ） (2026-02-28T12:34:23Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Differential equation quantum solvers: engineering measurements to reduce cost [0.6554326244334868]
  非線型微分方程式を解くために、2つのサンプル効率のプロトコルを試験する。 回路評価において最大100倍のコスト削減を報告した。 したがって、我々のプロトコルはより大きく、より困難な非線形微分方程式のデモンストレーションを解き放つという約束を保っている。
  論文  参考訳（メタデータ） (2025-03-28T17:43:35Z)
• Enhancing variational quantum algorithms by balancing training on classical and quantum hardware [1.8377902806196762]
  量子ニューラルネットワークを用いた最大12キュービットハミルトニアンの変分量子固有解法(VQE)と量子位相分類 量子ニューラルネットワークを用いた最大12量子ビットハミルトニアンのVQEと量子位相分類を用いた6-18量子ハミルトニアンの基底状態推定手法の数値評価を行った。
  論文  参考訳（メタデータ） (2025-03-20T17:17:58Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
  エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。 このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。 精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:39:34Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• ScaleQC: A Scalable Framework for Hybrid Computation on Quantum and Classical Processors [25.18520278107402]
  量子処理ユニット(QPU)は、その量子ビットの要求量と品質の要求を満たす必要がある。 量子回路切断技術は、より強力なQPUを実現するために、大きな量子回路を複数の小さなサブ回路に切断して分散する。 われわれのツールはScaleQCと呼ばれ、新しいアルゴリズム技術を開発することでボトルネックに対処する。
  論文  参考訳（メタデータ） (2022-07-03T01:44:31Z)
• 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)
• End-to-End Quantum Machine Learning Implemented with Controlled Quantum Dynamics [0.9599644507730106]
  この研究は、ハードウェアフレンドリーなエンドツーエンドの量子機械学習スキームを示し、不完全な短期中規模量子(NISQ)プロセッサで実装できる。 この提案では,機械学習タスクを制御量子力学の最適化に変換し,学習モデルを実験的に調整可能な制御変数によってパラメータ化する。 我々の設計では、エージェント制御変数を介して生の入力を量子状態に符号化することで、自動的な特徴選択を可能にする。
  論文  参考訳（メタデータ） (2020-03-30T17:44:51Z)

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。