Fugu-MT 論文翻訳(概要): Hash-QNeRF: Multiresolution Hash Encoding for Quantum Neural Radiance Fields

論文の概要: Hash-QNeRF: Multiresolution Hash Encoding for Quantum Neural Radiance Fields

arxiv url: http://arxiv.org/abs/2607.21675v1
Date: Thu, 23 Jul 2026 10:44:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:56.954468
Title: Hash-QNeRF: Multiresolution Hash Encoding for Quantum Neural Radiance Fields
Title（参考訳）: Hash-QNeRF:量子ニューラルラジアンスフィールドのためのマルチレゾリューションハッシュ符号化
Abstract要約: 座標の正弦波位置符号化をInstant-NGPの多重分解能ハッシュ符号化に置き換える。 Hash-QNeRFは、学習可能なハッシュグリッドの高速収束とメモリ効率の恩恵を受けながら、量子予測ステップを維持している。
参考スコア（独自算出の注目度）: 17.925787462168707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural Radiance Fields (NeRF) have revolutionized novel view synthesis, yet their classical implementations remain computationally intensive for high-fidelity rendering. QNeRF recently demonstrated the feasibility of training NeRF on gate-based quantum computers by combining amplitude embedding, parameterized quantum circuits (PQCs), parity-based measurements, and volumetric rendering. However, QNeRF relies on classical sinusoidal positional encoding for spatial coordinates, which scales poorly with scene complexity and resolution. In this work, we replace the sinusoidal positional encoding for spatial coordinates with the multiresolution hash encoding from Instant-NGP while keeping the view-direction encoding, amplitude MLP, quantum circuit, parity measurement, output scaling, and volumetric rendering pipeline unchanged. This hybrid design, Hash-QNeRF, retains the quantum radiance prediction step while benefiting from the fast convergence and memory efficiency of learnable hash grids. On a synthetic Blender scene, we achieve a final training loss of 0.003534, corresponding to approximately 24.5 dB PSNR on the fitted batch. Noise resilience experiments using Qiskit FakeKyiv and FakeTorino backends yield state fidelities of 0.93 to 0.98, indicating that hash encoding does not degrade the quantum circuit's noise tolerance.
Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は、新しいビュー合成に革命をもたらしたが、その古典的な実装は、高忠実なレンダリングに計算的に集中している。 QNeRFは最近、振幅埋め込み、パラメータ化量子回路(PQC)、パリティベースの測定、ボリュームレンダリングを組み合わせることで、ゲートベースの量子コンピュータ上でのNeRFのトレーニングの実現可能性を実証した。しかし、QNeRFは空間座標の古典的な正弦波位置符号化に依存しており、シーンの複雑さや解像度に劣る。本研究では,空間座標の正弦波位置符号化をInstant-NGPの多重分解能ハッシュ符号化に置き換えるとともに,ビュー方向符号化,振幅MLP,量子回路,パリティ測定,出力スケーリング,ボリュームレンダリングパイプラインを一定に保ったままにしておく。このハイブリッド設計であるHash-QNeRFは、学習可能なハッシュグリッドの高速収束とメモリ効率の恩恵を受けながら、量子放射率予測ステップを維持している。合成ブレンダーシーンでは, 約24.5dBPSNRに対応する0.003534の最終的なトレーニング損失が得られる。 Qiskit FakeKyiv と FakeTorino のバックエンドを用いたノイズレジリエンス実験は、量子回路のノイズ耐性を劣化させないことを示唆している。

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)
Improving Quantum Recurrent Neural Networks with Amplitude Encoding [0.0]
量子リカレントニューラルネットワークは、時間データを周期的に量子回路に入力される量子状態に符号化する。最近導入された近似振幅符号化手法であるEnQodeを用いて振幅に基づくQRNNを評価し改善する。
論文参考訳（メタデータ） (2025-08-22T20:31:40Z)
A Qubit-Efficient Hybrid Quantum Encoding Mechanism for Quantum Machine Learning [11.861417859173859]
量子主測地解析(Quantum principal Geodesic Analysis, QPGA)は、次元の減少と量子ビット効率の符号化のための非可逆的手法である。我々は、qPGAは量子およびハイブリッドオートエンコーダよりも局所構造を効率的に保存することを示した。下流のQML分類タスクでは、qPGAは99%以上の精度を達成でき、MNISTとFashion-MNISTのF1スコアは量子依存ベースラインを上回っている。
論文参考訳（メタデータ） (2025-06-24T03:09:16Z)
Near-optimal decoding algorithm for color codes using Population Annealing [44.99833362998488]
回復操作を高い確率で行うデコーダを実装した。異なる雑音モデルの下で4.8.8色符号格子上でのデコーダ性能について検討する。
論文参考訳（メタデータ） (2024-05-06T18:17:42Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
NISQ-Compatible Error Correction of Quantum Data Using Modified Dissipative Quantum Neural Networks [0.0]
我々は,既存の量子オートエンコーダ(QAE)ネットワークを,ノイズの多いm量子GHZ状態の量子デノイザとしての性能を向上する。私たちの新しいDenoisingアーキテクチャは、トレーニング時間を短縮できる、はるかに少ない数の学習パラメータを必要とします。
論文参考訳（メタデータ） (2023-11-17T11:47:38Z)
Toward Consistent High-fidelity Quantum Learning on Unstable Devices via Efficient In-situ Calibration [5.0854551390284]
近未来の雑音型中間スケール量子(NISQ)時代には、高ノイズは量子コンピューティングの忠実度を著しく低下させる。本稿では,量子パルスに基づく新しい雑音適応フレームワークQuPADを提案する。実験により、8-10キュービットのQuPADの量子デバイス上でのランタイムは15分未満であり、パラメータシフトアプローチよりも最大270倍高速であることが示された。
論文参考訳（メタデータ） (2023-09-12T15:39:06Z)
The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文参考訳（メタデータ） (2023-04-14T19:46:39Z)
Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文参考訳（メタデータ） (2023-01-27T08:16:26Z)
Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding [44.89303833148191]
我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
論文参考訳（メタデータ） (2022-12-04T03:18:03Z)
Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文参考訳（メタデータ） (2022-10-23T11:58:05Z)

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。