論文の概要: How Much Reconstruction Does Quantum Machine Learning Need? Late Fusion of Independently Trained Quantum Subcircuits
- arxiv url: http://arxiv.org/abs/2608.05595v1
- Date: Thu, 06 Aug 2026 04:35:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.819611
- Title: How Much Reconstruction Does Quantum Machine Learning Need? Late Fusion of Independently Trained Quantum Subcircuits
- Title（参考訳）: 量子機械学習はどの程度の再構築を必要とするか? 独立訓練された量子サブ回路の後期融合
- Abstract要約: 回路切断は、大規模量子ニューラルネットワーク(QNN)を小さなデバイス上で独立サブ回路として動作させるが、再構成によって出力を再構築することは、カット数において古典的なサンプリングオーバーヘッドを指数関数的に行う。
機械学習タスクには、このステップが必要かどうかを問うとともに、後期融合に置き換える。
合成データセットと標準データセット全体で、独立に訓練された後期融合は0.04ドル以内で完全な再構築精度と一致する。
- 参考スコア（独自算出の注目度）: 14.601201674870202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Circuit cutting lets a large quantum neural network (QNN) run as independent subcircuits on small devices, but rebuilding its outputs by reconstruction carries a classical sampling overhead exponential in the number of cuts - the dominant runtime cost in prior work. We ask whether, for machine-learning tasks, this step is necessary, and replace it with late fusion: each subcircuit is trained and measured independently, and a small classical head combines their outputs - a linear-cost, decision-level combination borrowed from multimodal learning. To characterize the trade-off we introduce a quantumness dial $Q$, a tunable reconstruction budget interpolating from pure fusion to full reconstruction, and a cut-entanglement diagnostic that indicates how much reconstruction a task needs (Spearman $ρ=0.59$ over $104$ runs). Across synthetic and standard datasets, independently trained late fusion matches full reconstruction accuracy within $0.04$ at every point of the controlled sweep and on every classical benchmark, at exponentially lower cost; it is also markedly more robust to shot and device noise. Controlled entangled-data experiments locate the boundary where fusion must fail. We do not claim advantage over classical machine learning - consistent with recent benchmarking, quantum offers no accuracy edge on these datasets. Late fusion is thus an efficient, noise-robust, self-characterizing alternative to reconstruction for circuit-cutting QML.
- Abstract（参考訳）: 回路切断により、大規模な量子ニューラルネットワーク(QNN)は、小さなデバイス上で独立したサブ回路として実行されるが、その出力を再構築することで、従来のサンプリングオーバーヘッドを、カット数で指数関数的に実行する。
各サブ回路は独立して訓練され、測定され、小さな古典的ヘッドは、マルチモーダル学習から借りた線形コストで決定レベルの組み合わせである出力を結合する。
トレードオフを特徴づけるために、純核融合から完全再構成に補間するチューナブルな再構成予算であるQ$と、タスクがどれだけ再構築する必要があるかを示すカットエンタングルメント診断を導入する(Spearman $ρ=0.59$ over 104$ run)。
合成データセットと標準データセット全体にわたって、独立に訓練された遅延融合は、コントロールされたスイープのすべての点と古典的なベンチマークのすべての点で0.04ドル以内の完全な再構築精度と指数的に低いコストで一致します。
制御された絡み合ったデータ実験は、核融合が失敗しなければならない境界を見つける。
最近のベンチマークと一致して、Quantumはこれらのデータセットに正確性のないエッジを提供します。
したがって、レイトフュージョンは回路切断QMLの再構成に代えて、効率よく、ノイズを吸収し、自己キャラクタライズする。
関連論文リスト
- Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Computational regimes in matrix-product-state-based quantum trajectory simulations [4.187966512170651]
本稿では, トラジェクトリ毎のメモリ, トラジェクトリ毎のランタイム, サンプリング作業に総コストを分割する, 量子トラジェクトリシミュレーションのためのコスト解決フレームワークを提案する。
同じリンドブラッド力学の物理的に等価な解法は、必ずしも総コストを減少させるのではなく、軌跡複雑性と統計的収束の間のコストを再分配することを示した。
論文 参考訳（メタデータ） (2026-06-11T18:00:02Z) - Scaling Laws and Tradeoffs in Recurrent Networks of Expressive Neurons [27.855778669417592]
皮質ニューロンは複雑で、マルチタイムスケールのプロセッサで、リカレント回路に接続されている。
機械学習は主に、初期のニューラルネットワーク理論から継承された、非常に単純なユニットのモデルを構築する。
本稿では,Expressive Memory (ELM) ニューロンからリカレント層を構築するEMMネットワークを紹介する。
論文 参考訳（メタデータ） (2026-05-12T12:29:33Z) - Breaking the Tuning Barrier: Zero-Hyperparameters Yield Multi-Corner Analysis Via Learned Priors [22.16752289030178]
既存の手法は基本的なトレードオフに直面しており、単純なモデルは自動化されるが非線形回路では失敗する。
私たちは、数百万の回帰タスクで事前トレーニングされた基礎モデルから、エンジニアリングされた事前を学習された事前に置き換えることで、この障壁を突破します。
提案手法は,最先端の精度(平均MREが0.11%以下)とゼロチューニングとを一致させ,総検証コストを10倍以上削減する。
論文 参考訳（メタデータ） (2026-03-13T15:40:57Z) - Large-scale portfolio optimization on a trapped-ion quantum computer [32.24411362086563]
基数制約付き大規模ポートフォリオ選択のためのエンドツーエンドパイプラインを提案する。
ハードウェア・アウェア分解を用いたトラップイオン量子プロセッサ上での実験実験を行った。
論文 参考訳（メタデータ） (2026-02-27T12:36:14Z) - Sample- and Hardware-Efficient Fidelity Estimation by Stripping Phase-Dominated Magic [0.2796197251957245]
本研究は、実現可能な量子デバイスで手頃な価格のサンプルおよびゲート効率の高い忠実度推定アルゴリズムを提案する。
サンプル効率のよいDFEが強い絡み合いと魔法によって制限される位相状態の構造に近い純状態による忠実度推定は、$mathcalO(mathrmpoly(n))$ サンプリングコピーを使用することで、単一の$n$-qubit ファンアウトゲートで可能であることを示す。
論文 参考訳（メタデータ） (2026-02-10T12:13:25Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Reconstructing $S$-matrix Phases with Machine Learning [49.1574468325115]
我々は、ユニタリティ制約の研究に現代の機械学習技術を適用した。
我々は、そのような解に対する既知の限界を以前の境界を超えるような新しい位相あいまいな解を求める。
論文 参考訳（メタデータ） (2023-08-18T10:29:26Z) - Learning Narrow One-Hidden-Layer ReLU Networks [30.63086568341548]
最初のアルゴリズムは$k$が定数であるときに成功する。
我々は、十分に近接したニューロンを一緒に崩壊させることができると主張するために、マルチスケール分析を用いる。
論文 参考訳（メタデータ） (2023-04-20T17:53:09Z) - Validating quantum-supremacy experiments with exact and fast tensor
network contraction [21.99404639937004]
実験により生成されたビットストリングに対して300万の正確な振幅を計算することで直接検証を行う。
シミュレーション能力の飛躍は、マルチ振幅テンソルネットワーク収縮アルゴリズムに基づいて構築される。
提案手法は, 量子多体問題, 統計問題, 最適化問題の解決に大きく影響している。
論文 参考訳（メタデータ） (2022-12-09T10:01:02Z) - F-Divergences and Cost Function Locality in Generative Modelling with
Quantum Circuits [0.0]
量子回路Bornマシンを$f$-divergencesを使ってトレーニングすることを検討する。
ボルンマシンのトレーニングを実証的に改善するアルゴリズムを2つ導入する。
量子デバイスによる$f$-divergencesの長期的影響について論じる。
論文 参考訳（メタデータ） (2021-10-08T17:04:18Z)
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。