論文の概要: The Shape of Information: Global Information Geometric Limits in Multi-task Quantum Systems
- arxiv url: http://arxiv.org/abs/2607.28961v1
- Date: Fri, 31 Jul 2026 02:30:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 16:35:22.214535
- Title: The Shape of Information: Global Information Geometric Limits in Multi-task Quantum Systems
- Title（参考訳）: 情報の形状:マルチタスク量子システムにおけるグローバル情報幾何学的限界
- Abstract要約: 複数タスクの評価は情報容量で統一できることがわかった。
マルチタスクシステムにおいて,Holevo情報に基づく非漸近的,測定非依存上界を導出する。
この研究は、量子マルチタスクシステムのための統一的な情報幾何学原理を確立する。
- 参考スコア（独自算出の注目度）: 10.263777229166092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Future quantum networks are expected to perform multiple tasks simultaneously within a single system, such as integrated sensing and communication (ISAC) architectures. Despite various metrics, we find that the evaluation of multiple tasks can be unified by their information capacity, and the total task capacity is not determined simply by addition, but is fundamentally constrained by an information geometry which we call the global quantum Fisher information matrix (g-QFIM). With this insight, we derive a non-asymptotic, measurement-independent upper bound on the Holevo information for multi-task systems, which takes a Shannon-capacity-like form. It not only quantifies the capacity limit, but also the allocability. Our results reveal a structural phase transition in multi-task performance under resource variation, where additional physical resources no longer increase independent task capacity but instead concentrate more information into a new mono-task mode. Numerical simulations based on photonic phase encoding and realistic noise channels confirm these predictions. This work establishes a unified information-geometric principle for quantum multi-task systems, with implications for the design of future quantum networks and ISAC architectures.
- Abstract（参考訳）: 将来の量子ネットワークは、統合センシングと通信(ISAC)アーキテクチャなど、単一のシステム内で複数のタスクを同時に実行することが期待されている。
様々な測定値にもかかわらず、複数のタスクの評価は情報容量によって統一することができ、全体のタスク能力は単に加算によって決定されるのではなく、グローバルな量子フィッシャー情報行列(g-QFIM)と呼ばれる情報幾何学によって根本的に制約されている。
この知見により,マルチタスクシステムにおけるHolevo情報の非漸近的,測定非依存上界を導出し,シャノン容量のような形状をとる。
キャパシティ制限を定量化するだけでなく、アロケータビリティも定量化する。
以上の結果から,資源変動によるマルチタスク性能の相転移が明らかとなり,物理資源の付加はタスク能力の独立性を高めず,新たなモノタスクモードにより多くの情報を集中させることができた。
フォトニック位相符号化と現実的なノイズチャネルに基づく数値シミュレーションにより,これらの予測が裏付けられる。
この研究は、将来の量子ネットワークとISACアーキテクチャの設計に意味を持つ、量子マルチタスクシステムのための統一された情報幾何学原理を確立する。
関連論文リスト
- Parameter-efficient Quantum Multi-task Learning [8.861193811778927]
本稿では,従来のタスク固有線形ヘッドを完全量子予測ヘッドに置き換えるパラメータ効率のよい量子マルチタスク学習(QMTL)フレームワークを提案する。
我々は,自然言語処理,医用画像,マルチモーダルサルカズム検出を対象とする3つのマルチタスクベンチマークでQMTLを評価した。
論文 参考訳（メタデータ） (2026-04-15T07:09:05Z) - Learning functions of quantum states with distributed architectures [0.44040106718326594]
データから直接量子状態の関数を学習するための分散量子エクストリーム学習マシン(QELM)アーキテクチャの設計と性能を解析する。
目的は、線形および非線形両方の特徴を含む入力量子状態の特定の特性を効果的に回復できるスキームを決定することである。
論文 参考訳（メタデータ） (2026-02-12T10:25:28Z) - Outlier-Robust Multi-Model Fitting on Quantum Annealers [29.24367815462826]
マルチモデルフィッティング(MMF)はコンピュータビジョンにおいて重要な課題である。
既存の量子ベースのモデルフィッティングのアプローチは、単一のモデルに制限されるか、または、外れ値のないデータセット内のマルチモデルシナリオを考慮するかのいずれかである。
本稿では,外乱を効果的に扱えるロバスト量子マルチモデルフィッティング(R-QuMF)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-18T17:59:53Z) - Quantization without Tears [26.5790668319932]
QwT(Quantization without Tears)は、量子化速度、精度、単純さ、一般化性を同時に達成する手法である。
QwTは、量子化中の情報損失を軽減するために、軽量な追加構造を量子化ネットワークに組み込む。
様々な視覚、言語、マルチモーダルタスクにわたる広範囲な実験は、QwTが高効率かつ多目的であることを示した。
論文 参考訳（メタデータ） (2024-11-21T08:13:24Z) - An operational definition of quantum information scrambling [0.0]
量子情報スクランブル(QIS)は、いくつかの量子系の特徴である。
本稿では,QISの定式化に基づく量子状態の量子化に基づく新しい計算効率のQIS量化器を提案する。
等尺的量子進化によって引き起こされるQISの度合いを反映した最適推定確率が、アクセス可能な最小情報に直接接続されていることを示す。
論文 参考訳（メタデータ） (2023-12-18T19:00:01Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - 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) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳（メタデータ） (2022-10-03T09:32:28Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z)
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。