論文の概要: LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification
- arxiv url: http://arxiv.org/abs/2607.27262v1
- Date: Wed, 29 Jul 2026 07:24:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.273763
- Title: LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification
- Title（参考訳）: LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification (特集:MEとバイオサイバネティックス)
- Authors: Riza Alaudin Syah, Irwan Alnarus Kautsar, Haza Nuzly Bin Abdull Hamed,
- Abstract要約: 本稿では,Zhuang と Cunningham が提案した AdaInit (Adaptive Initialization) を評価し,大規模言語モデルを用いて量子ニューラルネットワークの初期パラメータを提案する。
AdaInitは、ランダムに14.6倍の勾配を提供し、160倍の収束を実現し、同じ分類精度は61.4パーセントを維持している。
この結果は、AdaInitを医用画像設定で検証し、実用的なスピードアップのためにGPU加速量子バックエンドとの互換性を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Variational quantum algorithms often encounter barren plateaus, where cost gradients decay rapidly with increasing circuit depth, undermining the trainability of parameterized quantum circuits. This paper evaluates AdaInit (Adaptive Initialization), proposed by Zhuang and Cunningham, which uses large language models to propose initial parameters for quantum neural networks. We study a simplified single-query AdaInit variant paired with GPU-accelerated simulation in NVIDIA CUDA-Q and apply it to binary classification on the DMR-IR mammography dataset. AdaInit delivers 14.6 times higher gradient variance at initialization than random initialization (0.0095 vs. 0.0006), producing 160 times faster convergence (1.1s vs. 176 s) while maintaining the same classification accuracy of 61.4 percent. We provide theoretical analysis grounded in the geometry of parameterized circuit landscapes and show empirically that LLM-guided initialization places the optimizer in trainable regions of parameter space. Beyond performance, our results indicate that a single LLM query can yield informative parameters without iterative refinement, suggesting a low-overhead path to improved trainability. The findings validate AdaInit in a medical imaging setting and demonstrate its compatibility with GPU-accelerated quantum backends for practical speedups.
- Abstract（参考訳）: 変分量子アルゴリズムは、しばしば不規則な高原に遭遇し、コスト勾配は回路深度の増加とともに急速に減衰し、パラメータ化量子回路のトレーニング容易性を損なう。
本稿では,Zhuang と Cunningham が提案した AdaInit (Adaptive Initialization) を評価し,大規模言語モデルを用いて量子ニューラルネットワークの初期パラメータを提案する。
NVIDIA CUDA-QでGPU加速シミュレーションと組み合わせた単一クエリAdaInitを単純化し,DMR-IRマンモグラフィーデータセットのバイナリ分類に適用した。
AdaInitは、ランダム初期化(0.0095 vs. 0.0006)よりも初期化時の勾配分散が14.6倍高く、160倍の収束(1.1s vs. 176s)が得られ、同じ分類精度は61.4パーセントである。
パラメータ化回路ランドスケープの幾何学を基礎とした理論的解析を行い、LLM誘導初期化がパラメータ空間のトレーニング可能な領域に最適化器を置くことを実証的に示す。
以上の結果より,1つのLCMクエリが反復的改善を伴わずに情報的パラメータを生成できることが示唆され,トレーニング性の向上のための低オーバーヘッド経路が示唆された。
この結果は、AdaInitを医用画像設定で検証し、実用的なスピードアップのためにGPU加速量子バックエンドとの互換性を実証する。
関連論文リスト
- Stochastic Pauli-path simulator for large-scale quantum optimization [57.179828941706006]
パウリパスシミュレータは、低磁力状態における量子回路の大規模古典的シミュレーションへの有望な経路を提供する。
既存のアプローチでは、勾配ベースの最適化をネイティブにサポートしていないか、あるいは厳しい勾配バイアスに悩まされている。
本稿では,大規模量子最適化のための計算フレームワークであるPauli-path simulator (SPPS)を提案する。
論文 参考訳（メタデータ） (2026-07-20T10:43:44Z) - Adaptive directional gradients for parameterised quantum circuits [1.5549963606717787]
量子ハードウェア上でのパラメータ化量子回路(PQC)のトレーニングは、勾配推定の計測コストによってボトルネックとなる。
自動微分のフォワードモードに基づくPQCのフォワード勾配推定手法を提案する。
前方最適化は、最大60量子ビット、1770個のパラメータを持つハミング重保存量子ニューラルネットワークをパラメータシフト則よりも効率的に学習することを示す。
論文 参考訳（メタデータ） (2026-06-08T16:59:58Z) - Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。
PathCTMは診断推論を動的逐次情報追跡として定式化する。
必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
論文 参考訳（メタデータ） (2026-05-19T07:46:44Z) - Universally Empowering Zeroth-Order Optimization via Adaptive Layer-wise Sampling [43.822941944402544]
ゼロ階最適化は、微調整された大規模言語モデルのための有望なメモリ効率のパラダイムを提供する。
しかし,壁面収差の緩やかな収束と高い推定分散により,その実用化は厳しく制約されている。
本稿では,適応層型ZO最適化フレームワークであるAdaLeZOを提案する。
論文 参考訳（メタデータ） (2026-04-20T13:37:31Z) - PVLS: A Learning-based Parameter Prediction Technique for Variational Quantum Linear Solvers [0.0]
本稿では、グラフニューラルネットワーク(GNN)を用いてVQLS回路の高品質な初期パラメータを生成する学習ベースのパラメータ予測フレームワークPVLSを紹介する。
16から1024までの行列サイズの実験では、PVLSは最適化の2.6倍のスピードアップを提供し、より少ないイテレーションを必要とすることが示されている。
論文 参考訳（メタデータ） (2025-12-04T15:37:32Z) - Quantum measurement tomography with mini-batch stochastic gradient descent [0.0]
量子状態トモグラフィー (hrefhttps://iopscience.iop.org/article088/2058-9565/ae0baaQuantum Sci.Technol.textbf10 045055 (2025)] と量子プロセストモグラフィー (hrefhttps://journals.aps.org/prl/abstract103/PhysRevLett.130.150402Phys.Rev.Lett.textb130, 150402 (2023)) におけるデータ処理のために開発された勾配日射法から着想を得た。
論文 参考訳（メタデータ） (2025-11-19T18:30:15Z) - Adaptive variational quantum dynamics simulations with compressed circuits and fewer measurements [4.2643127089535104]
AVQDS(T)と呼ばれる適応変分量子力学シミュレーション(AVQDS)法の改良版を示す。
このアルゴリズムは、変分力学の精度の尺度であるマクラクラン距離を一定しきい値以下に保つために、アンザッツ回路に不連結なユニタリゲートの層を適応的に加算する。
また、雑音耐性を増強した変動パラメータに対する線形運動方程式を解くために、固有値トランケーションに基づく手法を示す。
論文 参考訳（メタデータ） (2024-08-13T02:56:43Z) - Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。
標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。
サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
論文 参考訳（メタデータ） (2022-10-12T06:49:16Z) - GradInit: Learning to Initialize Neural Networks for Stable and
Efficient Training [59.160154997555956]
ニューラルネットワークを初期化するための自動化およびアーキテクチャ手法であるgradinitを提案する。
各ネットワーク層の分散は、SGDまたはAdamの単一ステップが最小の損失値をもたらすように調整される。
また、学習率のウォームアップを伴わずに、オリジナルのPost-LN Transformerを機械翻訳用にトレーニングすることもできる。
論文 参考訳（メタデータ） (2021-02-16T11:45:35Z)
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。