論文の概要: A hybrid quantum-classical neural network for learning to route

• arxiv url: http://arxiv.org/abs/2609.00489v1
• Date: Mon, 31 Aug 2026 23:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.165025
• Title: A hybrid quantum-classical neural network for learning to route
• Title（参考訳）: 経路学習のためのハイブリッド量子古典ニューラルネットワーク
• Abstract要約: 本研究では、ルーティング学習のためのハイブリッド量子古典ニューラルネットワークについて研究する。 静電容量化車両の経路問題では、エンコーダのフィードフォワード交換が最も有望な設計として現れる。
• 参考スコア（独自算出の注目度）: 36.95397691288925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work studies hybrid quantum-classical neural networks for learning routing heuristics. Specifically, this paper asks whether small quantum neural networks can replace parameter-heavy modules inside a competitive attention-based routing model while maintaining solution quality. For the capacitated vehicle routing problem, encoder feed-forward replacement emerges as the most promising design: it reduces the number of model parameters by 56.6% while keeping the hybrid model close to the classical neural baseline at small and medium instance sizes, although the gap grows for larger instances. This work also compares to classical routing algorithms, which remain highly competitive and often superior on the fixed Euclidean test sets. Our results therefore do not indicate quantum advantage or solver dominance, but identify encoder feed-forward replacement as a viable hybrid-module compression strategy for neural combinatorial optimization.
• Abstract（参考訳）: 本研究では、ルーティングヒューリスティックを学習するためのハイブリッド量子古典ニューラルネットワークについて研究する。 具体的には、小さな量子ニューラルネットワークが、ソリューションの品質を維持しながら、競合する注意に基づくルーティングモデル内のパラメータ重モジュールを置き換えることができるかどうかを問う。 エンコーダフィードフォワードの代替は最も有望な設計として登場し、モデルパラメータを56.6%削減し、従来のニューラルベースラインに近い小さなインスタンスと中型のインスタンスサイズでハイブリッドモデルを維持できるが、大きなインスタンスではギャップが増大する。 この研究は古典的なルーティングアルゴリズムと比較し、これは競争力が高く、しばしば固定されたユークリッドテストセットよりも優れている。 以上の結果から,エンコーダのフィードフォワード置換を,ニューラル組合せ最適化のためのハイブリット・モジュール圧縮戦略として,量子優位性やソルバ優位性を示すものではない。

関連論文リスト

• Feature-Adaptive Fusion in Hybrid Quantum-Classical Neural Networks for Robust Biomedical Image Classification [5.648121717707402]
  生体画像分類のための特徴適応型核融合型量子古典ニューラルネットワーク(FAF-HQNN)を提案する。 MedMNISTベンチマークであるPathMNISTとBloodMNISTのFAF-HQNNを、クリーンで破損したテスト条件下で評価した。
  論文  参考訳（メタデータ） (2026-09-14T09:26:39Z)
• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction [0.8957579200590984]
  アフィニティ予測に関わる高性能な要求と膨大なデータセットは、ますます大きなAIモデルを必要としている。 これらの課題に対する有望な解決策として量子機械学習が登場した。 本研究では、非線形関数を近似する能力を実証的に示すハイブリッド量子ニューラルネットワーク(HQNN)を提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:20:21Z)
• Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
  本稿では,変分回路の4層のみを用いて,効率的な分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。 我々の実験は、LCQHNNがMNIST、FashionMNIST、CIFAR-10データセットの100%、99.02%、85.55%の分類精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-12-03T00:37:11Z)
• An ensemble framework approach of hybrid Quantum convolutional neural networks for classification of breast cancer images [2.1659912179830023]
  量子ニューラルネットワークは、ネットワークモデルを学習してスケールアップする能力において、古典的なニューラルネットワークを置き換えるのに適していると考えられている。 医用画像分類は、ディープラーニング、特に畳み込みニューラルネットワークの応用によく関係している。
  論文  参考訳（メタデータ） (2024-09-24T10:43:27Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
  本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。 提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。 この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
  論文  参考訳（メタデータ） (2022-03-29T09:07:18Z)
• Low-bit Quantization of Recurrent Neural Network Language Models Using Alternating Direction Methods of Multipliers [67.688697838109]
  本稿では、乗算器の交互方向法(ADMM)を用いて、スクラッチから量子化RNNLMを訓練する新しい手法を提案する。 2つのタスクの実験から、提案されたADMM量子化は、完全な精度ベースライン RNNLM で最大31倍のモデルサイズ圧縮係数を達成したことが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T09:30:06Z)
• Classical-to-Quantum Transfer Learning for Spoken Command Recognition Based on Quantum Neural Networks [13.485144642413907]
  本研究では、音声コマンド認識(SCR)のための新しいハイブリッドエンドツーエンド量子ニューラルネットワーク(QNN)への機械学習アルゴリズム適用による転送学習の拡張について検討する。 我々は,事前学習した古典的ネットワークを,ハイブリッドQNNモデルの古典的部分に転送するハイブリッドトランスファー学習アルゴリズムを提案する。 Google音声コマンドデータセット上で,SCR用ハイブリッド古典量子QNNに適用したハイブリッドトランスファー学習アルゴリズムを評価する。
  論文  参考訳（メタデータ） (2021-10-17T00:45:31Z)
• A Fully Tensorized Recurrent Neural Network [48.50376453324581]
  重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。 このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
  論文  参考訳（メタデータ） (2020-10-08T18:24:12Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。