論文の概要: A Quantum Roadmap for Softmax Attention: Exact Born-Rule Analogs for Softmax Attention on the Probability Simplex
- arxiv url: http://arxiv.org/abs/2608.11173v1
- Date: Tue, 11 Aug 2026 17:32:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.137503
- Title: A Quantum Roadmap for Softmax Attention: Exact Born-Rule Analogs for Softmax Attention on the Probability Simplex
- Title（参考訳）: ソフトマックスアテンションのための量子ロードマップ:確率的単純性に対するソフトマックスアテンションのための実例
- Abstract要約: 注意機構は、Transformerのような多くの現代的なAIモデルの基盤を形成する。
この設定では、ソフトマックスアテンションは、正確に、コンポーネント・バイ・エンコードされた量子化を許容する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The attention mechanism forms the foundation of many modern AI models such as the Transformer. In one subclass of problems where attention is used, inputs and outputs are bound to the probability simplex so that all outputs sum to one. In this setting, softmax attention admits an exact, component-by-component quantum realization. Attention scores are Hadamard-test statistics on block-encoded projections of amplitude-encoded inputs. The exponential softmax is the interior of a cosine-squared family generated by Born-rule measurement under an exact bijection, whose boundary expresses sparse attention with exact zeros at finite parameter values. The softmax temperature is a repetition count where post-selected measurement rounds realize discretized inverse temperature exactly. Value aggregation is a deterministic column-loading channel that dilates the column-stochastic value matrix. The gated residual is the preparation angle of a single ancilla, with the additive identity at a mixing angle of π/2. Every learnable parameter is a rotation-gate angle. The composed layer is exact in the infinite-shot limit with one measure-and-reload step per attention score; a fully-coherent variant is ε-approximate via quantum singular value transformation in the infinite depth limit. The algebraic core is machine-checked in Lean 4.
- Abstract（参考訳）: 注意機構は、Transformerのような多くの現代的なAIモデルの基盤を形成する。
注意が用いられる問題のサブクラスでは、全ての出力が1にまとめられるように、入力と出力は確率単純度にバインドされる。
この設定では、ソフトマックスアテンションは、正確に成分ごとの量子化を許容する。
注意スコアは振幅符号化された入力のブロック符号化された投影に関するアダマールテスト統計である。
指数的ソフトマックスは、ボルンルール測定によって生成される正弦二乗族の内部であり、その境界は有限パラメータ値の正確な零点でスパースアテンションを表現する。
ソフトマックス温度は、選択後の測定ラウンドが正確に判別された逆温度を実現する反復数である。
値アグリゲーションは、カラム-確率値行列を拡大する決定論的カラムローディングチャネルである。
ゲート残基は単一アンシラの合成角であり、加法単位はπ/2の混合角である。
すべての学習可能なパラメータは回転ゲート角である。
合成された層は、注意点当たりの測度と再ロードのステップが1つある無限ショット極限において正確であり、完全コヒーレントな変種は無限深度限界における量子特異値変換によるε-近似である。
代数的コアはLean 4でマシンチェックされる。
関連論文リスト
- Decoded Quantum Interferometry Beyond Hamming: Rank-Metric and Translation Association Schemes [39.146761527401424]
Decoded Quantum Interferometry (DQI) はコヒーレントデコーディングと量子フーリエ変換を用いて、構造化最適化問題の高品質な解を求める。
我々は、コアDQI機構をハミング空間を越えて、翻訳対称性を持つ有限測地へと拡張する。
min(m,n)-l付近の有効ランクプロキシによる解が得られ、対応する期待スコアはサンプルの残留ランクに制限された定数確率に変換することができる。
論文 参考訳（メタデータ） (2026-06-03T13:12:15Z) - Solving a Linear System of Equations on a Quantum Computer by Measurement [0.0]
本稿では,フォールトトレラント量子コンピューティングのための変分アルゴリズムを提案する。
これは、自己随伴行列の固有ベクトルとして表される解を持つ任意の計算タスクに適用できる。
論文 参考訳（メタデータ） (2026-04-28T20:28:28Z) - ENTCALC: Toolkit for calculating geometric entanglement in multipartite quantum systems [43.748379918040854]
多部量子状態の幾何学的絡み合いを推定するためのPythonパッケージであるentcalcを提案する。
純粋な状態に対しては、幾何学的絡み合いを推定誤差と共に計算する。
混合状態に対しては、幾何学的絡み合いに対して下界と上界の両方を提供する。
論文 参考訳（メタデータ） (2025-12-11T18:14:43Z) - Matrix encoding method in variational quantum singular value decomposition [49.494595696663524]
検討した$Ntimes N$行列の要素を適切な次元の量子系の状態に符号化した変分量子特異値分解を提案する。
制御された測定は、アンシラ測定の小さな成功を避けるために行われる。
論文 参考訳（メタデータ） (2025-03-19T07:01:38Z) - Vacuum Rabi Splitting and Quantum Fisher Information of a Non-Hermitian Qubit in a Single-Mode Cavity [6.331564757838474]
非エルミート量子ビットの自然な拡張は、それを単一モードの空洞に配置することである。
まず、Bogoliubov演算子アプローチを用いて、$mathcalP MathcalT$-symmetric QRMを解く。
例外的に、$mathcalP MathcalT$-symmetric QRM の量子フィッシャー情報は、非エルミート量子ビット成分よりもかなり高い。
論文 参考訳（メタデータ） (2024-12-21T20:52:01Z) - Statistical mechanical mapping and maximum-likelihood thresholds for the surface code under generic single-qubit coherent errors [0.0]
曲面符号における単一量子コヒーレント誤差、すなわち任意に選択できる軸に関する角度$alpha$による回転を考える。
回転軸の部分空間をグラフ化し、対応する最大値の閾値を$alpha_mathrmth$と見積もる。
誤差補正フェーズである $alphaalpha_mathrmth$ は、ギャップ付き1次元量子ハミルトニアンへの遷移行列空間に対応することが示されている。
論文 参考訳（メタデータ） (2024-10-29T18:23:23Z) - Agnostic Phase Estimation [0.0]
パラダイム的な設定は、未知の回転対象のキュービットを特徴とする。
回転軸が不明な場合、最適な単一量子センサを作成できない。
閉時間曲線のシミュレーションに触発されて、我々はこの制限を回避した。
論文 参考訳（メタデータ） (2024-02-29T19:00:00Z) - Payoff-based learning with matrix multiplicative weights in quantum
games [35.111876815522116]
量子ゲーム(および半定値ゲーム)における学習の問題を、スカラーでペイオフに基づくフィードバックを用いて研究する。
本稿では,情報フレームワークに合わせた最小情報行列乗法(3MW)を提案する。
決定論的ペイオフフィードバックを持つ3MW法は,量子ミニマックスゲームにおけるバニラ,フル情報MMWアルゴリズムの収束率を保っていることを示す。
論文 参考訳（メタデータ） (2023-11-04T14:56:17Z) - Softmax-free Linear Transformers [90.83157268265654]
視覚変換器(ViT)は、視覚知覚タスクの最先端を推し進めている。
既存の手法は理論的に欠陥があるか、視覚認識に経験的に効果がないかのいずれかである。
我々はSoftmax-Free Transformers (SOFT) のファミリーを提案する。
論文 参考訳（メタデータ） (2022-07-05T03:08:27Z) - SOFT: Softmax-free Transformer with Linear Complexity [112.9754491864247]
視覚変換器(ViT)は、パッチワイド画像トークン化と自己認識によって、様々な視覚認識タスクの最先端を推し進めている。
線形複雑度で自己注意を近似する様々な試みが自然言語処理で行われている。
これらの制限は、近似中にソフトマックスの自己注意を維持することに根ざしている。
ソフトマックスフリー変圧器(SOFT)を初めて提案する。
論文 参考訳（メタデータ） (2021-10-22T17:57:29Z) - The limits of quantum circuit simulation with low precision arithmetic [0.0]
目標は、ランダムで最大に絡み合った量子状態を含むシミュレーションで、どれだけのメモリを節約できるかを推定することである。
B$ビットの算術極表現は、各量子振幅に対して定義される。
Q$ qubits と $G$ gates の回路上の累積誤差を定量化するモデルを開発した。
論文 参考訳（メタデータ） (2020-05-27T14:48:31Z)
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。