論文の概要: Quantum-enhanced ghost imaging recognition via joint optimization of speckle patterns and quantum network parameters
- arxiv url: http://arxiv.org/abs/2608.26972v1
- Date: Thu, 27 Aug 2026 11:16:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.368756
- Title: Quantum-enhanced ghost imaging recognition via joint optimization of speckle patterns and quantum network parameters
- Title（参考訳）: スペックルパターンと量子ネットワークパラメータの結合最適化による量子強調ゴースト画像認識
- Abstract要約: ゴーストイメージングは非局所的な画像再構成を可能にし、干渉に対して強い堅牢性を示す。
量子機械学習は、ノイズの多い中規模量子デバイスにおける効率的な特徴抽出のための新しいアプローチを提供する。
本稿では,スペックルパターンと量子ネットワークパラメータの同時最適化に基づくゴースト画像認識手法を提案する。
- 参考スコア（独自算出の注目度）: 12.855324766721893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ghost imaging enables nonlocal image reconstruction and exhibits strong robustness against interference, but achieving high-fidelity recognition at ultra-low sampling rates remains challenging. Quantum machine learning offers a novel approach for efficient feature extraction on noisy medium-scale quantum devices; however, existing methods generally suffer from low recognition accuracy and weak noise resistance. This paper proposes a ghost imaging recognition method based on the simultaneous optimization of speckle patterns and quantum network parameters. By leveraging the mathematical equivalence between classical convolution and speckle-object dot product operations in ghost imaging, a speckle consistency regularization mechanism is introduced to achieve end-to-end joint optimization of optical coding and quantum feature extractors. A parallel 8-qubit quantum circuit employing block coding and a star-shaped entanglement structure is designed to extract higher-order features from bucket signals. Simulation results on the MNIST and Fashion-MNIST datasets show that at an ultra-low sampling rate of 1.5625%, the proposed framework achieves recognition accuracies of 90.1% and 81.7%, respectively, representing a 2.6% improvement over classical convolutional neural networks and a maximum improvement of 14.2% over traditional hybrid quantum machine learning models. This method also exhibits strong robustness to quantum noise and has been validated on a real optical ghost imaging system, achieving an average recognition accuracy of 84.8%. These results confirm that the joint optimization of speckle patterns and quantum network parameters provides a reliable and practical solution for low-sampling ghost imaging recognition.
- Abstract（参考訳）: ゴーストイメージングは非局所的な画像再構成を可能にし、干渉に対する強い堅牢性を示すが、超低サンプリングレートでの高忠実度認識を実現することは依然として困難である。
量子機械学習は、ノイズの多い中規模量子デバイス上での効率的な特徴抽出に新しいアプローチを提供するが、既存の手法では認識精度が低く、耐雑音性が弱いのが一般的である。
本稿では,スペックルパターンと量子ネットワークパラメータの同時最適化に基づくゴースト画像認識手法を提案する。
ゴーストイメージングにおける古典的畳み込みとスペックル・オブジェクト・ドット積演算の数学的等価性を活用することにより、光学符号化と量子特徴抽出器のエンドツーエンド共同最適化を実現するためのスペックル整合正則化機構を導入する。
ブロック符号化と星型絡み合い構造を用いた並列8量子ビット量子回路は、バケット信号から高次特徴を抽出するように設計されている。
MNISTとFashion-MNISTデータセットのシミュレーション結果によると、超低サンプリングレートの1.5625%では、従来の畳み込みニューラルネットワークよりも2.6%改善し、従来のハイブリッドな量子機械学習モデルよりも14.2%改善した。
この手法はまた、量子ノイズに対する強い堅牢性を示し、実際の光学ゴーストイメージングシステムで検証され、平均認識精度は84.8%に達した。
これらの結果は、スペックルパターンと量子ネットワークパラメータの合同最適化が、低サンプリングゴースト画像認識の信頼性と実用性を提供することを確認した。
関連論文リスト
- Quantum-enhanced satellite image classification [4.211908507821241]
空間応用のための多クラス画像分類を強化するために,量子特徴抽出法の応用を実証する。
多体スピンハミルトニアンの力学を利用することにより、古典的処理と組み合わせることで量子の精度が向上する表現力のある量子的特徴を生成する。
論文 参考訳（メタデータ） (2026-02-20T17:02:16Z) - Quantum Light Detection with Enhanced Photonic Neural Network [0.3775008736256856]
本稿では、量子貯水池の利点とアナログニューラルネットワークの適応学習能力を統合するハイブリッド量子古典検出プロトコルを提案する。
このシナジスティックアーキテクチャは、情報抽出精度とロバスト性を大幅に向上させ、量子光センサの性能を低コストで向上させる。
論文 参考訳（メタデータ） (2026-01-27T15:44:39Z) - Quantum Approximate Optimization Algorithm for MIMO with Quantized b-bit Beamforming [47.98440449939344]
多重入力多重出力(MIMO)は6G通信において重要であり、スペクトル効率と信頼性の向上を提供する。
本稿では、送信機と受信機の両方でbビット量子化位相シフト器の問題に対処するために、量子近似最適化アルゴリズム(QAOA)と交互最適化を適用することを検討する。
この量子化ビームフォーミング問題の構造はQAOAのようなハイブリッド古典的手法と自然に一致し、ビームフォーミングで使われる位相シフトは量子回路の回転ゲートに直接マッピングできる。
論文 参考訳（メタデータ） (2025-10-07T17:53:02Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - Quantum neural compressive sensing for ghost imaging [4.624063678783565]
本研究では,ゴーストイメージングのための量子ニューラルセンシングアルゴリズムについて検討し,その有用性を実証する。
提案アルゴリズムは、様々な量子ノイズレベルに対して堅牢性を示し、短期的な量子デバイスに適している。
論文 参考訳（メタデータ） (2025-02-25T02:44:47Z) - Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。
これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。
この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文 参考訳（メタデータ） (2025-01-19T21:24:02Z) - Quantum Sparse Coding and Decoding Based on Quantum Network [1.0683439960798695]
スパース符号化と復号化アルゴリズムを実現するための対称量子ニューラルネットワークを提案する。
我々のネットワークは、光回路に自然に適合する多層2レベルユニタリ変換で構成されている。
我々は、古典的問題におけるバイナリとグレースケールの画像の疎符号化と復号化を実現し、量子問題における複雑な量子状態の復号化を実現した。
論文 参考訳（メタデータ） (2024-06-10T04:21:27Z) - QUSL: Quantum Unsupervised Image Similarity Learning with Enhanced Performance [14.288836269941207]
QUSLは教師なし学習に類似した三つ子を使用し、アンカー画像の摂動によって正のサンプルを生成する。
臨界量子資源の利用を50%以上削減する。
量子リソースが少ない一方で、QUSLは大規模な教師なしタスクの可能性を示している。
論文 参考訳（メタデータ） (2024-04-02T15:17:09Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z) - NoisyQuant: Noisy Bias-Enhanced Post-Training Activation Quantization
for Vision Transformers [53.85087932591237]
NoisyQuantは、視覚変換器のトレーニング後のアクティベーション量子化性能に対する量子化器に依存しない拡張である。
理論的な洞察に基づいて、NoisyQuantは重い尾の活性化分布を積極的に変化させる最初の成功を達成している。
NoisyQuantは、最小の計算オーバーヘッドで視覚変換器のトレーニング後の量子化性能を大幅に改善する。
論文 参考訳（メタデータ） (2022-11-29T10:02:09Z) - Post-Training Quantization for Vision Transformer [85.57953732941101]
本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。
約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
論文 参考訳（メタデータ） (2021-06-27T06:27:22Z) - Sample-efficient adaptive calibration of quantum networks using Bayesian
optimization [0.0]
区別不可能な光子は高度な量子通信ネットワークに必須である。
通信チャネルによって付与される環境誘起光子変換と損失のため、識別し難い。
本稿では,量子ネットワークにおける個々の光子の識別不可能性を迅速に校正する資源効率の高いベイズ最適化手法を提案し,開発する。
論文 参考訳（メタデータ） (2021-06-11T01:35:04Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z)
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。