論文の概要: PN-QNN: Harnessing Physical Noise as a Native Regularizer in Photonic Hybrid Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2607.20045v1
• Date: Wed, 22 Jul 2026 11:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.06548
• Title: PN-QNN: Harnessing Physical Noise as a Native Regularizer in Photonic Hybrid Quantum Neural Networks
• Title（参考訳）: PN-QNN:フォトニックハイブリッド量子ニューラルネットワークにおける固有正則化器としての物理ノイズの調和
• Authors: Farah Elnakhal, Alberto Marchisio, Nouhaila Innan, Gabriel Falcao, Muhammad Shafique,
• Abstract要約: 短期量子ハードウェアにおける物理ノイズは、通常抑制のためのニュアンスとして扱われる。 代わりに、量子古典ニューラルネットワークのハードウェアネイティブレギュレータとして機能するかを問う。
• 参考スコア（独自算出の注目度）: 2.6922241225158774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical noise in near-term quantum hardware is usually treated as a nuisance to suppress. We ask whether it can instead act as a hardware-native regularizer for photonic hybrid quantum-classical neural networks (PHQCNNs), analogous to noise-injection regularization in classical deep learning. Using Quandela's Perceval simulator and the MerLin framework, we build PHQCNNs for Iris, Digits, and MNIST and inject Perceval's seven-parameter physical noise model directly into training. A genetic algorithm searches the six continuous noise dimensions and 1 boolean parameter to find, per dataset, the configuration maximizing validation accuracy, compared against a noiseless baseline across five seeds. GA-tuned noise yields modest accuracy gains on Iris (+0.82pp) and Digits (+1.45pp), but a clear degradation on MNIST (-1.21pp). Per-parameter sweeps show that no individual noise parameter is consistently beneficial, motivating the joint search, while a second-order loss expansion shows that physical noise induces a Tikhonov-like regularization term whose effect is dataset-dependent. Physical photonic noise can thus act as a free regularizer, but not universally.
• Abstract（参考訳）: 短期量子ハードウェアにおける物理ノイズは、通常抑制のためのニュアンスとして扱われる。 我々は、古典的なディープラーニングにおけるノイズ注入規則化に類似した、フォトニックハイブリッド量子古典ニューラルネットワーク(PHQCNN)のハードウェアネイティブな正規化器として機能するかを問う。 QuandelaのPercevalシミュレータとMerLinフレームワークを使用して、Iris、Digits、MNIST用のPHQCNNを構築し、Percevalの7パラメータ物理ノイズモデルをトレーニングに直接注入する。 遺伝的アルゴリズムは、6つの連続するノイズ次元と1つのブールパラメータを探索し、データセット毎に、5つのシードにわたるノイズのないベースラインと比較して、検証精度を最大化する構成を求める。 GA調整ノイズは、Iris (+0.82pp) と Digits (+1.45pp) でわずかに精度が向上するが、MNIST (-1.21pp) では明らかに劣化する。 パラメータごとのスイープは、個々のノイズパラメータが一貫した有用性を持たず、共同探索を動機付ける一方、2階の損失展開は、物理ノイズがデータセットに依存したTikhonovのような正規化項を誘導することを示している。 したがって、物理的フォトニックノイズは自由正則化器として作用するが、普遍的には作用しない。

関連論文リスト

• Machine Learning for Quantum Noise Reduction [0.0]
  そこで本研究では,雑音密度行列からクリーンな量子状態を直接再構成する機械学習手法を提案する。 畳み込みニューラルネットワーク(CNN)オートエンコーダアーキテクチャを用いて量子ノイズ低減を教師付き学習問題として定式化する。 以上の結果から,CNNに基づく密度行列再構成は,従来の量子誤り訂正に代わる,有望かつ資源効率のよい代替手段となることが示唆された。
  論文  参考訳（メタデータ） (2025-09-17T00:13:07Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Scalable noisy quantum circuits for biased-noise qubits [37.69303106863453]
  安定猫量子ビットの既存システムに動機づけられたビットフリップ誤差のみに影響されるバイアスノイズ量子ビットを考察する。 現実的なノイズモデルでは、位相フリップは無視できないが、Pauli-Twirling近似では、ベンチマークが最大106ドルのゲートを含む回路の正しさを確認できる。
  論文  参考訳（メタデータ） (2023-05-03T11:27:50Z)
• Deep Convolutional Framelet Denoising for Panoramic by Mixed Wavelet Integration [0.0]
  この領域で最も重要な課題の1つは、常に画像ノイズを下げることである。 本稿では,この波形とD4ウェーブレットを高エネルギー濃度で結合し,U-Netニューラルネットワークアーキテクチャを用いることを提案する。 他のデータセットによる研究によると、ワンウェーブネットワークの有効性は0.5%から1.2%に増加した。
  論文  参考訳（メタデータ） (2023-01-25T11:00:32Z)
• NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
  雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。 我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
  論文  参考訳（メタデータ） (2022-12-14T08:19:30Z)
• Asymmetric Heavy Tails and Implicit Bias in Gaussian Noise Injections [73.95786440318369]
  我々は、勾配降下(SGD)のダイナミクスに対する注射ノイズの影響であるGNIsのいわゆる暗黙効果に焦点を当てています。 この効果は勾配更新に非対称な重尾ノイズを誘発することを示す。 そして、GNIが暗黙のバイアスを引き起こすことを正式に証明し、これは尾の重みと非対称性のレベルによって異なる。
  論文  参考訳（メタデータ） (2021-02-13T21:28:09Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)
• A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
  我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。 コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
  論文  参考訳（メタデータ） (2020-05-21T17:47:29Z)

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。