論文の概要: Qkabrine: A Joint Architecture, Encoding, and Hyperparameter Search Framework for Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2608.18152v1
- Date: Wed, 12 Aug 2026 08:54:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.156968
- Title: Qkabrine: A Joint Architecture, Encoding, and Hyperparameter Search Framework for Quantum Machine Learning
- Title（参考訳）: Qkabrine: 量子機械学習のための統合アーキテクチャ、エンコーディング、ハイパーパラメータ検索フレームワーク
- Abstract要約: qkabrine-automlは、アーキテクチャ、エンコーディング、モデルタイプ、ハイパーパラメータを単一の共同検索可能な構成空間として扱うPythonパッケージである。
このパッケージは、トレーニング容易性診断、Data Quantum Fisher Information Metric (DQFIM)の推定、および勾配バレンプラトーモニターを直接評価ループに統合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building a quantum machine learning (QML) model competitive with a classical baseline currently requires a practitioner to separately choose a circuit architecture, a data-encoding scheme, a model paradigm (kernel versus variational), and a set of training hyperparameters, then verify after the fact that the chosen circuit is even trainable. Existing QML libraries provide the primitives for this but not the search, and existing classical AutoML libraries provide the search but not the quantum-specific search space or diagnostics. We present qkabrine-automl, a Python package that treats architecture, encoding, model type, and hyperparameters as a single, jointly searchable configuration space, evaluated through one consistent harness regardless of which of five search strategies proposed the candidate. The package integrates trainability diagnostics, a Data Quantum Fisher Information Metric (DQFIM) estimate and a gradientmagnitude barren-plateau monitor, directly into the evaluation loop as an optional prescreening step, alongside expressibility and entangling-capability characterization, a post-search circuitsurgery pass for NISQ deployment, and OpenQASM export. We position this contribution against recent AutoQML frameworks that already automate parts of the QML pipeline, and report a small, fully reproducible illustrative run rather than a benchmark claim.
- Abstract（参考訳）: 現在、古典的なベースラインと競合する量子機械学習(QML)モデルを構築するには、回路アーキテクチャ、データエンコード方式、モデルパラダイム(カーネル対変分法)、トレーニングハイパーパラメータのセットを個別に選択する必要がある。
既存のQMLライブラリは、検索ではなくプリミティブを提供しており、既存の古典的なAutoMLライブラリは、検索を提供するが、量子固有の検索空間や診断は提供しない。
我々は,アーキテクチャ,エンコーディング,モデルタイプ,ハイパーパラメータを単一かつ共同で検索可能な構成空間として扱うPythonパッケージであるqkabrine-automlについて,提案した5つの検索戦略のどれかに関わらず,一貫した利用法を用いて評価した。
このパッケージは、トレーニング容易性診断、DQFIM(Data Quantum Fisher Information Metric)推定と勾配磁度バレンプラトーモニターをオプションの事前スクリーニングステップとして評価ループに直接組み込むとともに、表現性とエンタングリング能力の評価、NISQデプロイメントのためのサーキットサージリーパス、OpenQASMエクスポートを統合する。
我々は、このコントリビューションを、QMLパイプラインの一部をすでに自動化している最近のAutoQMLフレームワークに対して位置づけ、ベンチマーククレームではなく、小さく、完全に再現可能なイラストラティブな実行を報告します。
関連論文リスト
- AutoQuREO: A Framework for Automated Quantum Resource Estimation and Optimization [0.3664600242783913]
AutoQuREOは、フルスタックの量子リソース推定と最適化のための自動化フレームワークである。
i) 量子コンピューティングスタックのフレキシブルでユーザ定義の抽象化、(ii) 再利用可能なスタックコンポーネントのモジュラーライブラリ、(iii) アルゴリズムプロファイリングとニューロシンボリックラーニングによるレイヤレベルのリソースのモデリング、(iv) QREを直接デプロイメントパイプラインに組み込む統合多目的最適化である。
論文 参考訳（メタデータ） (2026-08-13T08:15:29Z) - Hybrid LLM-Guided Search for Quantum Reservoir Architecture Design [0.0]
量子貯水池計算(QRC)は、高次元の時間的特徴写像として固定量子力学を用いる。
制約付きブラックボックスアーキテクチャサーチとしてQRC設計を定式化するシミュレータベースのベンチマークである Method を導入する。
我々は,この探索問題に対して,大規模言語モデルが提案制御器として機能するかどうかを評価する。
論文 参考訳（メタデータ） (2026-07-21T18:43:28Z) - Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification [2.417944170423441]
Quantum Transfer Learningは、短期的制約下でのビジュアル量子機械学習に有望なアプローチを提供する。
既存のQTL結果を比較するのは難しいのは、データセット、前処理、バックボーン設定、キュービット予算、回路設計、最適化の選択、レポートプロトコルが異なるためである。
本研究は,一貫したトランスファーラーニングパイプラインの下で,代表的QTL手法を評価するための,制御されたベンチマーク手法を提案する。
論文 参考訳（メタデータ） (2026-05-19T06:10:32Z) - AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - Quantum Machine Learning in Log-based Anomaly Detection: Challenges and Opportunities [36.437593835024394]
我々は、LogADのコンテキストでQMLモデルを評価するための統合フレームワーク、我々のフレームワークを紹介します。
DeepLog、LogAnomaly、LogRobustといった最先端のメソッドが私たちのフレームワークに含まれている。
評価はQMLの性能に重要な要素、例えば特異性、回路数、回路設計、量子状態符号化にまで及んでいる。
論文 参考訳（メタデータ） (2024-12-18T06:13:49Z) - Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。
近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。
コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
論文 参考訳（メタデータ） (2024-10-27T03:18:52Z) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳（メタデータ） (2024-03-21T13:52:30Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - 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) - SQL2Circuits: Estimating Metrics for SQL Queries with a Quantum Natural Language Processing Method [1.5540058359482858]
この研究は量子機械学習モデルを構築するために量子自然言語処理(QNLP)に着想を得たアプローチを採用する。
このモデルは、古典的および量子サブルーチンを含むエンコーディング機構とトレーニングフェーズで構成されている。
我々は,このモデルが二項分類タスクにおけるQNLPモデルと同等の精度に達することを結論付けた。
論文 参考訳（メタデータ） (2023-06-14T14:23:19Z) - Parameter-Efficient Abstractive Question Answering over Tables or Text [60.86457030988444]
QAシステムを求める情報の長期的な野望は、マルチモーダルなコンテキストを推論し、ユーザクエリに対する自然な回答を生成することである。
メモリ集約型事前学習言語モデルは、構造化されていないテキストや構造化テーブルのような特定のモードでQAデータ上のモデルを微調整することで、QAのような下流タスクに適応する。
パラメータ効率の良いアダプタは、トランス層間の小さなタスク固有のボトルネック層を加算し、訓練する。
論文 参考訳（メタデータ） (2022-04-07T10:56:29Z)
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。