論文の概要: Quantum Hamiltonian Evolution for Coherent Quantum Learning

• arxiv url: http://arxiv.org/abs/2609.03640v1
• Date: Thu, 03 Sep 2026 10:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.020835
• Title: Quantum Hamiltonian Evolution for Coherent Quantum Learning
• Title（参考訳）: コヒーレント量子学習のための量子ハミルトン進化
• Abstract要約: 損失関数を符号化するハミルトニアンの下で、モデルパラメータが量子自由度である量子学習モデルのトレーニングフレームワークであるコヒーレント量子学習(CQL)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Coherent Quantum Learning (CQL), a training framework for quantum learning models in which the model parameters are quantum degrees of freedom evolved under a Hamiltonian that encodes the loss function. Current quantum machine learning retains classical optimization: parameters are updated by a classical outer loop using gradient estimates from measurements, and quantum coherence has no role in the training dynamics, just as in any classical treatment of the same problem. In the quantum case, a parameter register initialized in superposition evolves unitarily, and probability amplitude concentrates near low-loss configurations through interference, without gradient computation or classical feedback. We give an explicit construction using block encodings and Hamiltonian simulation, applicable to arbitrary parameterized circuits. Numerical experiments on binary classification and interferometric phase estimation confirm that the evolved distribution peaks at the optimal parameters, matching gradient-based performance. The construction is compatible in principle with fault-tolerant implementations and extends to batched training via sequential Hamiltonian evolution.
• Abstract（参考訳）: 損失関数を符号化するハミルトニアンの下で、モデルパラメータが量子自由度である量子学習モデルのトレーニングフレームワークであるコヒーレント量子学習(CQL)を紹介する。 現在の量子機械学習は古典的な最適化を維持しており、パラメータは古典的な外ループによって測定からの勾配推定を用いて更新される。 量子の場合、重ね合わせで初期化されたパラメータレジスタは、一元的に進化し、確率振幅は、勾配計算や古典的なフィードバックなしで干渉によって低損失な構成の近くに集中する。 ブロック符号化とハミルトンシミュレーションを用いて、任意のパラメータ化回路に適用可能な明示的な構成を与える。 二分法分類と干渉位相推定の数値実験により、進化した分布ピークが最適パラメータ、整合勾配に基づく性能に一致することを確認した。 この構造は原則としてフォールトトレラントの実装と互換性があり、連続的なハミルトン進化を通じてバッチトレーニングに拡張される。

関連論文リスト

• Fermi-Dirac machines as quantizations of neurons [51.809748057605184]
  我々はフェルミ・ディラック機械を古典ニューロンの正準量子化として再解釈する。 我々は、量子化されたニューロンの出力と勾配を評価するための効率的なハイブリッド量子古典アルゴリズムを開発した。 数値実験により、量子ハミルトニアンに基づくニューロンは古典ニューロンでは不可能な関数を学習できることが示されている。
  論文  参考訳（メタデータ） (2026-05-23T04:09:03Z)
• Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits [0.0]
  画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。 我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。 実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-17T12:28:33Z)
• Quantum Bayesian Optimization for the Automatic Tuning of Lorenz-96 as a Surrogate Climate Model [0.04249036267664819]
  本稿では,Lorenz-96モデルの自動チューニングのためのハイブリッド量子インスピレーションを提案する。 量子特徴写像回路によって区別される3つの量子カーネルアーキテクチャをベンチマークする。 古典的RBFカーネルよりも2つの研究された量子カーネルの方が優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2025-12-23T15:26:24Z)
• Classically Prepared, Quantumly Evolved: Hybrid Algorithm for Molecular Spectra [41.99844472131922]
  多体量子系における動的相関関数と励起スペクトルを計算するためのハイブリッド古典量子アルゴリズムを提案する。 この方法は、摂動基底状態の古典的な準備と、そこから採取された積状態の短時間の量子進化を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-10-28T19:27:12Z)
• Variational Quantum Algorithm for Unitary Dilation [0.0]
  非ユニタリ作用素の近似ユニタリ拡張を効率的に実装するためのハイブリッド量子古典フレームワークを提案する。 量子クラウドコンピューティングクラスタQuafuにおける超伝導デバイスへのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-10-22T01:23:59Z)
• Multi-channel convolutional neural quantum embedding [10.620759775107787]
  量子計算の標準回路モデルに限らず,量子埋め込みを最適化するための古典量子ハイブリッド手法を提案する。 我々は,CIFAR-10とTiny ImageNetデータセットを用いて,フレームワーク内の各種モデルの性能をベンチマークした。
  論文  参考訳（メタデータ） (2025-09-26T13:51:40Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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 Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
  量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。 この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-17T16:04:04Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Implementation and Learning of Quantum Hidden Markov Models [0.0]
  量子チャネルの理論とオープン量子システムを用いて、量子隠れマルコフモデル(QHMM)として知られるジェネレータのクラスの効率的なユニタリ特性を提供する。 我々は、QHMMが、等価な古典的隠れマルコフモデル(HMM)と比較して、プロセス言語のよりコンパクトで表現力豊かな定義であることを証明した。 本稿では,QHMMのための2つの実践的学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-07T17:25:02Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

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。