論文の概要: Cautious optimism for deep parameterized quantum circuits

• arxiv url: http://arxiv.org/abs/2607.21409v1
• Date: Thu, 23 Jul 2026 15:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.45171
• Title: Cautious optimism for deep parameterized quantum circuits
• Title（参考訳）: ディープパラメタライズド量子回路に対するカウティオプティミズム
• Abstract要約: モデルサイズが大きくなるにつれて、勾配に基づく量子回路は、見えないデータに対して改善された性能を示すことができることを示す。 これは、より大きなモデルが一般化の劣化につながるという伝統的な見方とは対照的である。
• 参考スコア（独自算出の注目度）: 2.32345078940534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central challenge in quantum machine learning is understanding the scaling behavior of parameterized quantum circuits (PQCs). In particular, it remains unclear how their performance on unseen data changes as the number of trainable parameters increases. Prior works have derived formal generalization guarantees for quantum models, but it is well-known that many such results do not fully characterize generalization behavior in practice. In this work, we show that gradient-based PQCs can exhibit improved performance on unseen data as model size increases, displaying the phenomenon of double descent. This contrasts with the traditional view that larger models lead to degraded generalization. We provide analytical results rigorously underpinning this behavior by leveraging add-one-in perturbation techniques and spectral properties of random matrices. We support these results with numerical experiments on re-uploading PQCs across several data sets and training set sizes, consistently observing the predicted double descent behavior. While other obstacles on the path toward practical quantum machine learning remain, our finding that deeper parameterized quantum circuits do not necessarily exhibit degraded performance provides reasons for cautious optimism.
• Abstract（参考訳）: 量子機械学習における中心的な課題は、パラメータ化量子回路(PQC)のスケーリング動作を理解することである。 特に、トレーニング可能なパラメータの数が増加するにつれて、目に見えないデータのパフォーマンスがどう変わるかは、まだ不明である。 先行研究は量子モデルに対する公式な一般化保証を導出したが、そのような結果の多くが実際に一般化の挙動を完全に特徴づけていないことはよく知られている。 本研究では,勾配に基づくPQCは,モデルサイズが大きくなるにつれて不明瞭なデータに対して性能が向上し,二重降下現象が表れることを示す。 これは、より大きなモデルが一般化の劣化につながるという伝統的な見方とは対照的である。 本稿では,この挙動を解析的に裏付ける手法として,Add-one-in摂動法とランダム行列のスペクトル特性を応用した分析結果を提案する。 これらの結果は、複数のデータセットにまたがるPQCの再ロードとトレーニングセットサイズに関する数値実験により支援され、予測された二重降下挙動を一貫して観察する。 実用的な量子機械学習への道の他の障害は残るが、より深いパラメータ化量子回路が必ずしも劣化した性能を示すとは限らないことが、慎重な楽観主義の理由となっている。

関連論文リスト

• Entanglement as a Structural Complexity Axis: A PAC-Bayesian View of Generalization in Quantum Policies and Value Functions [31.082191748525137]
  我々は、回路によって誘導されるフィッシャー幾何学の有効次元によって一般化が支配されるPACBayesのアカウントを与える。 その結果,Fisher実効寸法が大きい回路は列車試験のギャップが大きく,パラメータ数も弱いことが判明した。 このメカニズムは、教師付き分類、量子文脈帯域、値関数の一般化にまたがって検証する。
  論文  参考訳（メタデータ） (2026-07-07T12:57:46Z)
• Random-Matrix-Induced Simplicity Bias in Over-parameterized Variational Quantum Circuits [72.0643009153473]
  本稿では,観測可能な期待値とパラメータ勾配の両方がシステムサイズに指数関数的に集中するHaar型普遍性クラスに,表現的変分アンサーゼが入ることを示す。 その結果、そのような回路によって誘導される仮説クラスは、近点関数の狭い族に高い確率で崩壊する。 テンソル-ネットワークベースおよびテンソル-ハイパーネットワークパラメータ化を含むテンソル構造VQCは、ハール型普遍性クラスの外にある。
  論文  参考訳（メタデータ） (2026-01-05T08:04:33Z)
• Demonstration of Efficient Predictive Surrogates for Large-scale Quantum Processors [64.50565018996328]
  本稿では,与えられた量子プロセッサの平均値挙動を計算効率よくエミュレートする予測代理の概念を導入する。 これらのサロゲートを用いて、最大20個のプログラム可能な超伝導量子ビットを持つ量子プロセッサをエミュレートし、変分量子固有解器の効率的な事前学習を可能にする。 実験結果から, 予測サロゲートは測定オーバーヘッドを桁違いに低減するだけでなく, 従来の量子リソース集約的な手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-07-23T12:51:03Z)
• Sculpting Quantum Landscapes: Fubini-Study Metric Conditioning for Geometry Aware Learning in Parameterized Quantum Circuits [0.0]
  本稿では,変分量子アルゴリズムにおけるバレンプラトーを緩和するために,フビニ・スタディ・テンソルを明示的に条件づけたSculptureというメタラーニングフレームワークを提案する。 本研究では,フビニ・スタディ・メトリックの対数条件を,トレーニング可能性,最適化力学,一般化を規定する重要な幾何学的量として同定する。
  論文  参考訳（メタデータ） (2025-06-27T06:30:33Z)
• Tight and Efficient Gradient Bounds for Parameterized Quantum Circuits [7.0379869298557844]
  パラメータ化モデルのトレーニングは、下層の損失関数のランドスケープに大きく依存する。 これらの境界は, 損失そのものの分散とともに, VQAモデルの損失景観を研究するために, 効率よく, 古典的に逆向きに推定できることが示される。 この洞察は、局所的およびグローバル的用語からなる観測可能なVQAとして再構成できる生成モデルであるハイブリッド量子生成広告ネットワーク(qGANs)に直接的な意味を持つ。
  論文  参考訳（メタデータ） (2023-09-22T07:38:13Z)
• Identifying overparameterization in Quantum Circuit Born Machines [1.7259898169307613]
  量子回路Bornマシンのオーバーパラメータ化遷移の開始について,非逆勾配法を用いて学習した生成モデルについて検討する。 我々の結果は、これらのモデルのトレーニング可能性を完全に理解することは、未解決の問題であることを示している。
  論文  参考訳（メタデータ） (2023-07-06T21:05:22Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Quantum Alternating Operator Ansatz (QAOA) beyond low depth with gradually changing unitaries [0.0]
  本稿では,量子交互演算子アンザッツ回路の動作を制御する機構について検討する。 離散的断熱定理を用いて、連続時間断熱定理から得られる洞察を補完し一般化する。 分析では,最近導入されたQAOAパフォーマンス図で顕著に示されているいくつかの一般的な特性について説明する。
  論文  参考訳（メタデータ） (2023-05-08T04:21:42Z)
• 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)
• Escaping from the Barren Plateau via Gaussian Initializations in Deep Variational Quantum Circuits [63.83649593474856]
  近年、変分量子回路は量子シミュレーションや量子機械学習に広く用いられている。 しかし、ランダムな構造を持つ量子回路は、回路深さと量子ビット数に関して指数関数的に消える勾配のため、トレーニング容易性が低い。 この結果は、ディープ量子回路が実用的なタスクでは実現できないという一般的な見解に繋がる。
  論文  参考訳（メタデータ） (2022-03-17T15:06:40Z)
• Analytical and experimental study of center line miscalibrations in M\o lmer-S\o rensen gates [51.93099889384597]
  モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。 我々はゲート進化演算子を計算し、関連する鍵特性を得る。 我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
  論文  参考訳（メタデータ） (2021-12-10T10:56:16Z)
• 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)

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。