論文の概要: QSVM-RQNN: Low-Qubit Recurrent Quantum Similarity Learning for Condition Monitoring and Fault Classification

• arxiv url: http://arxiv.org/abs/2608.09652v1
• Date: Mon, 10 Aug 2026 14:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.30613
• Title: QSVM-RQNN: Low-Qubit Recurrent Quantum Similarity Learning for Condition Monitoring and Fault Classification
• Title（参考訳）: QSVM-RQNN: 条件モニタリングと故障分類のための低量子繰り返し量子類似性学習
• Abstract要約: 既存の量子ニューラルネットワーク(QNN)と量子畳み込みニューラルネットワーク(QCNN)アーキテクチャは、入力次元が大きくなるにつれて量子資源の増加を必要とすることが多い。 故障分類のためのQSVM-RQNNを提案する。このQSVMは,Centroid-based Quantum Support Vector Machine(QSVM)とRecurrent Quantum Neural Networks(RQNN)の類似性学習を統合した低キュービットフレームワークである。
• 参考スコア（独自算出の注目度）: 0.5505634045241289
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the Noisy Intermediate-Scale Quantum (NISQ) era, limited qubit availability and hardware noise constrain the practical deployment of quantum machine learning (QML). Existing quantum neural network (QNN) and quantum convolutional neural network (QCNN) architectures often require increasing quantum resources as the input dimension grows, limiting scalability on near-term devices. We propose QSVM-RQNN, a low-qubit framework integrating centroid-based Quantum Support Vector Machine (QSVM) similarity learning with Recurrent Quantum Neural Networks (RQNNs) for fault classification. The framework reduces the feature space using principal component analysis (PCA), partitions the reduced representation into sequential timesteps, and processes them using a compact three-qubit recurrent quantum architecture with shared parameters. Two complementary variants are developed: QSVM-RQNN-V1 performs class-conditioned joint quantum encoding of input and centroid segments, whereas QSVM-RQNN-V2 performs recurrent learning over timestep-wise quantum similarity representations. Experimental evaluation on multiple fault diagnosis datasets shows competitive and, in several cases, state-of-the-art performance compared with QSVM, QNN, QCNN, QSVM-QNN, QSVM-QCNN, and RQNN models. The proposed architectures provide favorable performance-efficiency trade-offs, improved recall, and enhanced fault detection on highly imbalanced datasets. These results demonstrate that integrating centroid-based quantum similarity learning with low-qubit recurrent representation learning provides an effective and scalable approach to condition monitoring and fault classification on resource-constrained NISQ devices.
• Abstract（参考訳）: Noisy Intermediate-Scale Quantum (NISQ) 時代、量子ビットの可用性とハードウェアノイズが制限され、量子機械学習(QML)の実践的な展開が制限された。 既存の量子ニューラルネットワーク(QNN)と量子畳み込みニューラルネットワーク(QCNN)アーキテクチャは、入力次元が大きくなるにつれて量子リソースの増加を必要とし、短期的なデバイスでのスケーラビリティを制限する。 故障分類のためのQSVM-RQNNを提案する。このQSVMは,Centroid-based Quantum Support Vector Machine(QSVM)とRecurrent Quantum Neural Networks(RQNN)の類似性学習を統合した低キュービットフレームワークである。 このフレームワークは、主成分分析(PCA)を用いて特徴空間を縮小し、縮小された表現を逐次時間ステップに分割し、共有パラメータを持つコンパクトな3量子リカレント量子アーキテクチャを用いて処理する。 QSVM-RQNN-V1は入力とセントロイドセグメントのクラス条件付きジョイント量子符号化を行うのに対し、QSVM-RQNN-V2はタイムステップ単位の量子類似性表現を経た繰り返し学習を行う。 複数の故障診断データセットに対する実験的評価は、QSVM、QNN、QCNN、QSVM-QNN、QSVM-QCNN、RQNNモデルと比較して、競争力があり、いくつかのケースでは最先端の性能を示している。 提案したアーキテクチャは、パフォーマンス効率のトレードオフ、リコールの改善、高度に不均衡なデータセット上の障害検出の強化を提供する。 これらの結果から,Centroid-based quantum similarity learning と低量子リカレント表現学習の統合は,資源制約型 NISQ デバイス上での条件監視と故障分類に効果的かつスケーラブルなアプローチを提供することが示された。

関連論文リスト

• A Comprehensive Analysis of Accuracy and Robustness in Quantum Neural Networks [0.0]
  量子機械学習(QML)は、最近、非常に有望な研究フロンティアとして登場した。 本研究は、一般化、精度、堅牢性の臨界次元に焦点を当てる。
  論文  参考訳（メタデータ） (2026-04-28T20:53:23Z)
• 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)
• QSVM-QNN: Quantum Support Vector Machine Based Quantum Neural Network Learning Algorithm for Brain-Computer Interfacing Systems [3.057222561438637]
  脳コンピュータインタフェース(BCI)システムは、脳と外部デバイス間の直接通信を可能にする。 進歩にもかかわらず、BCIシステムは、信号の可変性、分類の非効率性、個々のユーザにリアルタイムで適応することの難しさなど、永続的な課題に直面している。 我々は,脳波に基づくBCIタスクの分類精度とロバスト性を改善するために,QSVM-QNNと呼ばれる新しいハイブリッド量子学習モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-20T10:48:44Z)
• Benchmarking Quantum Convolutional Neural Networks for Classification and Data Compression Tasks [0.4379805041989628]
  量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習タスクの有望なモデルとして登場した。 本稿では,量子基底状態の位相を分類するハードウェア効率アンサッツ(HEA)と比較してQCNNの性能について検討する。
  論文  参考訳（メタデータ） (2024-11-20T17:17:09Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Pulsar Classification: Comparing Quantum Convolutional Neural Networks and Quantum Support Vector Machines [0.0]
  パルサーのバイナリ分類には、量子カーネル支援支援ベクトルマシン(QSVM)と量子畳み込みニューラルネットワーク(QCNN)が適用される。 QCNNは、トレーニングと予測に要する時間に関してQSVMよりも優れていますが、現在のNISQ時代デバイスが考慮され、比較に含まれるノイズが優先される場合、QSVMが好まれます。
  論文  参考訳（メタデータ） (2023-09-27T11:46:57Z)
• Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
  量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。 本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。 分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
  論文  参考訳（メタデータ） (2023-07-05T08:06:41Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• 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 circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。