論文の概要: One Qubit Can Beat One Bit: Quantum Advantage for Post-Training Quantization

• arxiv url: http://arxiv.org/abs/2608.05240v1
• Date: Wed, 05 Aug 2026 14:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.647438
• Title: One Qubit Can Beat One Bit: Quantum Advantage for Post-Training Quantization
• Title（参考訳）: 1量子ビットが1ビットを超える:ポストトレーニング量子化のための量子アドバンテージ
• Abstract要約: 1ビット後の量子化は、その記号のみを使用して各重みを表現し、すべての配置コンテキストが同じ二分重行列を共有する必要がある。 この共有信号制約について検討し、QRAQ(Quantum Random Access Quantization)を導入する。 このフレームワークは、コンテキスト依存の符号を量子ランダムアクセスコードにエンコードし、コンテキストマッチングされたパウリ測定によってそれらを検索する。
• 参考スコア（独自算出の注目度）: 7.09016563801433
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: One-bit post-training quantization represents each weight using only its sign, requiring all deployment contexts to share the same binary weight matrix even when their activation statistics favor different sign patterns. We study this shared-sign constraint and introduce Quantum Random Access Quantization (QRAQ). This framework encodes context-dependent signs in a quantum random-access code and retrieves them via context-matched Pauli measurements. Under an explicit fresh-copy logical readout model, QRAQ produces an unbiased, context-specific binary surrogate with a tractable shot-noise penalty. We prove a row-wise separation from shared-sign one-bit PTQ with signed per-row scales. When the optimal context-wise signs are incompatible, QRAQ achieves a strictly lower ideal reconstruction risk. We also derive finite-shot and calibrated-noise conditions under which this separation is retained. Fixed-readout quantum schemes are classically simulable, so the relevant resource in this model is measurement incompatibility rather than quantization alone. Finally, we characterize the role of scale granularity, provide finite-sample certificates, and evaluate the predicted ideal, finite-shot, noisy, and multi-context regimes in simulator experiments.
• Abstract（参考訳）: 1ビット後の量子化は、その記号のみを使用して各重みを表現し、アクティベーション統計が異なる符号パターンを好む場合でも、すべての配置コンテキストが同じ二分重行列を共有する必要がある。 この共有信号制約について検討し、QRAQ(Quantum Random Access Quantization)を導入する。 このフレームワークは、コンテキスト依存の符号を量子ランダムアクセスコードにエンコードし、コンテキストマッチングされたパウリ測定によってそれらを検索する。 明示的な新しくコピーされた論理的読み出しモデルの下で、QRAQは、未バイアスでコンテキスト固有のバイナリサロゲートを、引き分け可能なショットノイズペナルティで生成する。 我々は,共有符号1ビットPTQと符号付きロースケールとの行ワイズ分離を証明した。 最適コンテキストワイズ符号が相容れない場合、QRAQは厳格に低い理想的再構成リスクを達成する。 また、この分離が維持される有限ショットおよび校正ノイズ条件も導出する。 固定可読量子スキームは古典的にシミュレート可能であるので、このモデルにおける関連するリソースは量子化のみではなく、不整合の測定である。 最後に、シミュレーション実験において、スケール粒度の役割を特徴づけ、有限サンプル証明を提供し、予測された理想、有限ショット、雑音、マルチコンテキスト状態を評価する。

関連論文リスト

• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• A Unified Framework for Quantized and Continuous Strong Lottery Tickets [3.772827533440353]
  本稿では、離散環境でのランダム・サブセット・サム問題(RSSP)の分析を行い、量子化の場合の厳密なSLTH保証を導出する。 分析により、量子化された状態において、強力な宝くじが見つかる確率に厳密な制約が与えられ、過去の結果よりも指数関数的に改善された。
  論文  参考訳（メタデータ） (2026-07-04T13:00:39Z)
• LFQ: Logit-aware Final-block Quantization for Boosting the Generation Quality of Low-Bit Quantized LLMs [52.1276403258812]
  ブロックワイドPTQの簡易かつ効果的な拡張であるLFQ(Logit-aware Final-block Quantization)を導入する。 LFQは、最先端のブロックワイドPTQよりも複雑な生成タスクの精度を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-28T11:02:23Z)
• Ancilla-Efficient QSAMPLE Preparation for Reversible Markov Chains [0.0]
  作業レジスタに1つのアシラキュービットしか必要としない新しいエンドツーエンドフレームワークを提案する。 重要な技術的要素は、1つのアンシラ量子ビットを用いた選択位相コンパイラ回路である。 直接応用として,ギブスQSAMPLEの作成に量子アルゴリズムを適用し,厳密な複雑性解析を求める。
  論文  参考訳（メタデータ） (2026-05-22T09:55:28Z)
• Quantum Injection Pathways for Implicit Graph Neural Networks [0.8826339811274068]
  深度平衡モデル(Deep Equilibrium Model)は、明示的なレイヤのスタックを固定点が出力を定義する単一の演算子に置き換える。 textitIndependent Injectionは、グラフ毎に一度量子信号を計算し、前方固定点解を計算し、解全体にわたって固定する。 textitStateに依存したインジェクションは、代わりにソルバステップ毎に信号を再計算し、現在のイテレーションに適用する。 textitBackboneに依存したインジェクションも同じように再計算されるが、現在のイテレーションで評価された古典的なバックボーンの出力に信号を適用する。
  論文  参考訳（メタデータ） (2026-05-09T23:51:46Z)
• Iterative Optimization with Partial Convergence Guarantees on Neutral Atom Quantum Computers [0.0]
  Lp-Qutsは、NAQCサンプルラーを古典的な切断平面アルゴリズムに統合するハイブリッド量子古典的フレームワークである。 我々は、Lp-Qutsを古典最適化フレームワークに効果的に組み込んで、量子資源を減らした準最適解を提供する方法を示す。
  論文  参考訳（メタデータ） (2026-03-30T19:12:21Z)
• 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)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Non-Unitary Quantum Machine Learning [0.0]
  量子機械学習における通常のユニタリ制約を克服する確率的量子アルゴリズムをいくつか導入する。 また, 変分アンサッツ層間の残差は, それらを含むモデルにおける不規則な台地を防止できることが示唆された。 また、Schur-Weyl双対性による点雲データに対する新たな回転不変符号化を実証する。
  論文  参考訳（メタデータ） (2024-05-27T17:42:02Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• Secure and robust randomness with sequential quantum measurements [0.0]
  我々は、シーケンシャルな量子相関に対するTsirelsonのような境界を証明し、シーケンシャルなユーザによって共有される非局所性のトレードオフを表す。 我々の単純なqubitプロトコルはこの境界に達し、数値解析により現実的な雑音下でのロバスト性の向上が示されている。 本研究は、逐次量子相関の理解を深め、効率的なデバイス非依存プロトコルに対する洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-21T17:50:29Z)
• Distribution-Flexible Subset Quantization for Post-Quantizing Super-Resolution Networks [68.83451203841624]
  本稿では,超高分解能ネットワークのためのポストトレーニング量子化手法であるDFSQを提案する。 DFSQは活性化のチャネルワイド正規化を行い、分布フレキシブルなサブセット量子化(SQ)を適用する 6ビットの量子化と8ビットの量子化では完全精度に匹敵する性能を達成し、4ビットの量子化では0.1dBのPSNR低下しか生じない。
  論文  参考訳（メタデータ） (2023-05-10T04:19:11Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)

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。