論文の概要: Variational Quantum Conditional Boltzmann Machines for Time-Series Forecasting: Architectures, Symmetric Hyperparameter Evaluation, and a Nonlinear Benchmark
- arxiv url: http://arxiv.org/abs/2607.24065v1
- Date: Mon, 27 Jul 2026 07:08:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.34063
- Title: Variational Quantum Conditional Boltzmann Machines for Time-Series Forecasting: Architectures, Symmetric Hyperparameter Evaluation, and a Nonlinear Benchmark
- Title（参考訳）: 時系列予測のための変分量子条件ボルツマンマシン:アーキテクチャ、対称性ハイパーパラメータ評価、非線形ベンチマーク
- Abstract要約: 我々は4つの条件付きエネルギーベースの予測アーキテクチャを開発し評価する。
利用可能なサンプルサイズの量子的優位性の体系的な証拠は見つからない。
従来のCRBMは4つの予算のうち3つで最低であり、どの予算でもCRBM-vs-QCRBMの差は大きい。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this study, we developed and evaluated four conditional energy-based forecasting architectures: a classical Gaussian-Bernoulli CRBM, a hybrid quantum-classical QCRBM, a full-register QQRBM, and a lag-feature QFeatureQRBM with complete derivations of their conditional distributions, Contrastive-Divergence gradients, and hybrid training, bridging the energy-based formulation and the implementation-level quantum computation. Unlike prior comparisons, our evaluation enforces symmetric hyperparameter optimisation: classical and quantum-specific hyperparameters receive an equally thorough grid search across thirteen structured experiments. We test on two data classes, a Gaussian-process dataset (GP) generated with real financial data and the input-driven NARMA-10 nonlinear benchmark. Across both regimes we find no systematic evidence of a quantum advantage at the available sample size: no quantum architecture improves on the best classical baseline. The fully quantum QQRBM and QFeatureQRBM are significantly worse, whereas the hybrid QCRBM is statistically indistinguishable from the strongest classical CRBM on both datasets. A power analysis bounds this null result: at n = 12 only medium-to-large effects are detectable, so small advantages cannot be excluded. An iso-parameter (matched-budget) comparison reaches the same conclusion: the classical CRBM is lowest at three of the four budgets and no CRBM-vs-QCRBM difference is significant at any budget.
- Abstract（参考訳）: 本研究では,従来のガウス・ベルヌーリ・CRBM,ハイブリッド量子古典QCRBM,完全登録QQRBM,ラグ機能QFeatureQRBMの4つの条件付きエネルギーベースの予測アーキテクチャを開発し,評価した。
従来の比較とは異なり、我々の評価は対称的ハイパーパラメータ最適化を強制する:古典的および量子固有なハイパーパラメータは、13の構造化実験で等しく網状探索を受ける。
実財務データを用いてガウス過程データセット(GP)と入力駆動型NARMA-10ベンチマークの2つのデータクラスを検証した。
どちらの規則も、利用可能なサンプルサイズにおいて量子優位性の体系的な証拠は見つからない。
完全量子 QQRBM と QFeatureQRBM は著しく悪いが、ハイブリッド QCRBM は両方のデータセット上で最強の古典的 CRBM と統計的に区別できない。
n = 12 では、中から大きい効果しか検出できないので、小さな利点は除外できない。
従来のCRBMは4つの予算のうち3つで最低であり、どの予算でもCRBM-vs-QCRBM差は重要ではない。
関連論文リスト
- Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework [0.0]
Restricted Boltzmann Machines (RBMs) に基づく機械学習型コンパクト部分空間生成プロトコルを提案する。
この枠組みをSARS-CoV-2主プロテアーゼに結合する阻害剤カルモファーを含むタンパク質-リガンド複合体のシミュレーションに適用する。
その結果, DMET-QSCI-RBMは, 構成部分空間の約4%にのみアクセスすることで, 化学精度閾値内でエネルギーを得ることができた。
論文 参考訳（メタデータ） (2026-07-22T12:58:46Z) - Quantum-Enhanced Synthetic Data Generation Using Quantum Circuit Born Machines for Imbalanced Tabular Learning [0.0]
量子回路ボルンマシン(QCBM)を用いた合成データ生成のための量子古典的フレームワークを提案する。
提案手法はパラメータ化された変分量子回路内での量子力学的特性(重ね合わせと絡み合い)を利用する。
本稿では,QCBM が競合分類性能を達成し,Telco データセット上での平均最大離散性 (MMD) を低下させることを示す。
論文 参考訳（メタデータ） (2026-07-10T05:53:29Z) - Benchmarking quantum trial wavefunctions for phaseless auxiliary-field quantum Monte Carlo [1.0792803666915127]
本稿では, ユニタリ結合クラスタ, ハミルトンインフォームド, ヤストロウインスパイア, 適応的に構築されたアンサーゼにまたがる量子トライアル波動関数のベンチマーク研究を行う。
以上の結果から, アンザッツの変動エネルギーは, ph-AFQMCの品質の信頼できる指標であるとは限らないことが示唆された。
論文 参考訳（メタデータ） (2026-05-03T21:04:31Z) - Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
犯罪パターン分析は法執行機関と予測警察にとって重要である。
急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。
本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-08T06:05:25Z) - 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) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - 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) - BenchQC: A Benchmarking Toolkit for Quantum Computation [0.4037357056611557]
変分量子固有解法 (VQE) は化学および材料科学における量子コンピューティング応用のための有望なアルゴリズムである。
本研究は、アルミニウムクラスターの基底状態エネルギーを計算するためのVQEの性能をベンチマークする。
論文 参考訳（メタデータ） (2025-02-13T18:51:08Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - 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)
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。