論文の概要: Discretization-Aware Fine-Tuning for Quantum Machine Learning with Chemical Foundation Models

• arxiv url: http://arxiv.org/abs/2609.03220v1
• Date: Wed, 02 Sep 2026 23:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.869602
• Title: Discretization-Aware Fine-Tuning for Quantum Machine Learning with Chemical Foundation Models
• Title（参考訳）: 化学基礎モデルを用いた量子機械学習のための離散化を考慮したファインチューニング
• Authors: Shunji Matsuura, Sonika Johri,
• Abstract要約: 実用的な量子機械学習(QML)の鍵となる課題は、高次元の古典データを小さな量子レジスタにエンコードする、短期的な量子デバイスの限られた能力である。 本稿では, 離散化対応微調整(DAFT)を導入し, 事前学習した化学基礎モデルを適用して, 量子化後の情報化を継続する表現を生成する手法を提案する。 我々は、同一の離散化ビットストリング入力を受ける制御された条件下で、量子モデルと古典モデルの両方を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge in practical quantum machine learning (QML), particularly for discriminative tasks such as classification, is the limited capacity of near-term quantum devices to encode high-dimensional classical data into small quantum registers. In optimized basis-encoded (bit-bit) settings, this constraint leads to cross-class collisions, where samples with different labels are mapped to the same discrete bit-string and thus become indistinguishable to any downstream model. In this work, we investigate how data representation affects QML performance under such severe information bottlenecks. We introduce discretization-aware fine-tuning (DAFT), a method that adapts a pre-trained chemical foundation model to produce representations that remain informative after quantization. DAFT reduces collision probability through a differentiable soft collision loss. We evaluate both quantum and classical models under a controlled setting in which they receive identical discretized bit-string inputs, isolating the effect of representation from model architecture. On the blood-brain barrier penetration (BBBP) molecular property prediction benchmark using ChemBERTa-77M, DAFT reduces collision counts by several orders of magnitude and improves quantum classification accuracy by more than 12 percentage points compared to a frozen backbone. Importantly, without DAFT, classical models outperform QML under the same input constraints. With DAFT, however, this comparison reverses at higher qubit counts. At 10 qubits, the quantum model surpasses a matched classical baseline trained on identical bit-strings (0.883 vs. 0.855, $p = 0.026$). These results show that, in information-constrained regimes, achieving a quantum advantage critically depends on aligning continuous representations with discrete quantum encodings.
• Abstract（参考訳）: 実用的な量子機械学習(QML)における鍵となる課題は、特に分類などの差別的なタスクにおいて、高次元古典データを小さな量子レジスタにエンコードする短期量子デバイスの限られた能力である。 最適化されたベースエンコード(ビットビット)設定では、この制約は、異なるラベルを持つサンプルを同じ離散ビットストリングにマッピングし、任意のダウンストリームモデルでは区別できないような、クラス間の衝突を引き起こす。 本研究では,データ表現がQMLの性能にどのように影響するかを,このような深刻な情報ボトルネックの下で検討する。 本稿では, 離散化対応微調整(DAFT)を導入し, 事前学習した化学基礎モデルを適用して, 量子化後の情報化を継続する表現を生成する手法を提案する。 DAFTは、相異なるソフト衝突損失によって衝突確率を減少させる。 我々は、同一の離散化ビットストリング入力を受ける制御条件下で、量子モデルと古典モデルの両方を評価し、モデルアーキテクチャから表現の効果を分離する。 ChemBERTa-77Mを用いた血液脳関門浸透(BBBP)分子特性予測ベンチマークでは、DAFTは衝突数を数桁の規模で削減し、凍結したバックボーンと比較して12ポイント以上の量子分類精度を向上させる。 重要なことは、DAFTがなければ、古典モデルは同じ入力制約の下でQMLより優れていることである。 しかしDAFTでは、この比較はより高い量子ビット数で逆になる。 10キュービットの量子モデルは、同じビット列(0.883 vs. 0.855, $p = 0.026$)で訓練された一致した古典的ベースラインを超える。 これらの結果は、情報制約された状態において、量子優位性を達成することは、連続表現と離散量子符号化の整合性に依存することを示している。

関連論文リスト

• 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)
• Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
  我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。 最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-17T16:54:25Z)
• Quantum-Enhanced Synthetic Data Generation Using Quantum Circuit Born Machines for Imbalanced Tabular Learning [0.0]
  量子回路ボルンマシン(QCBM)を用いた合成データ生成のための量子古典的フレームワークを提案する。 提案手法はパラメータ化された変分量子回路内での量子力学的特性(重ね合わせと絡み合い)を利用する。 本稿では,QCBM が競合分類性能を達成し,Telco データセット上での平均最大離散性 (MMD) を低下させることを示す。
  論文  参考訳（メタデータ） (2026-07-10T05:53:29Z)
• Quantum Machine Learning for particle scattering entanglement classification [0.0]
  絡み合いは、粒子散乱過程における量子相関を特徴づける重要な量である。 本研究では,フェミオン密度プロファイルが,問題を分類タスクとしてフレーミングすることで,絡み合うためのプロキシとして機能するかどうかを検討する。 量子畳み込みニューラルネットワーク(QCNN)は、より高速な収束と低分散で、一貫して競争力や優れた精度を達成する。
  論文  参考訳（メタデータ） (2026-04-07T15:13:38Z)
• Towards Personalized Quantum Federated Learning for Anomaly Detection [8.888060860656859]
  異常検出は、ビデオ監視、医療診断、産業監視などの応用に大きな影響を及ぼす。 量子ネットワークでは、クライアントはハードウェア能力、回路設計、ノイズレベル、古典的なデータが量子状態にエンコードされるか、事前処理されるかという点でしばしば異なる。 異常検出のためのPQFL(Personal quantum Federated Learning)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-08T05:01:18Z)
• Quantum-Accelerated Neural Imputation with Large Language Models (LLMs) [0.0]
  本稿では、浅い量子回路をLLMベースの計算アーキテクチャに統合する新しいフレームワークであるQuantum-UnIMPを紹介する。 ベンチマーク混合型データセットを用いた実験により, 数値特徴量(RMSE)の計算誤差を最大15.2%削減し, カテゴリー的特徴量(F1-Score)の分類精度を, 最先端の古典的手法とLLMベースの手法と比較して8.7%向上した。
  論文  参考訳（メタデータ） (2025-07-11T02:00:06Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Quantum autoencoders for image classification [0.0]
  量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。 本研究では,QAEを用いた新しい画像分類手法を提案する。
  論文  参考訳（メタデータ） (2025-02-21T07:13:38Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)

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。