Fugu-MT 論文翻訳(概要): A Quantum Variational Approach to Prototypical Recurrent Unit

論文の概要: A Quantum Variational Approach to Prototypical Recurrent Unit

arxiv url: http://arxiv.org/abs/2609.04354v1
Date: Thu, 03 Sep 2026 18:19:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:23.781286
Title: A Quantum Variational Approach to Prototypical Recurrent Unit
Title（参考訳）: 原型リカレントユニットに対する量子変分法
Abstract要約: 本稿では,従来のリカレントアーキテクチャよりもはるかに少ないパラメータを必要とする軽量な量子プロトタイプリカレントユニット(QPRU)を提案する。コンパクトな設計にもかかわらず、QPRUは最先端のベースラインと一致する競争予測性能を達成している。
参考スコア（独自算出の注目度）: 5.533671996397609
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a lightweight Quantum Prototypical Recurrent Unit (QPRU) that requires significantly fewer parameters than both classical recurrent architectures, such as Long Short- Term Memory (LSTM) and Gated Recurrent Unit (GRU), and quantum variants, including Quantum LSTM (QLSTM) and Quantum GRU (QGRU). Despite its compact design, the QPRU achieves competitive forecasting performance, matching state-of-the-art baselines while offering important structural and practical advantages, including enhanced scalability and a reduced number of trainable parameters.
Abstract（参考訳）: 本稿では,Long Short-Term Memory (LSTM) や Gated Recurrent Unit (GRU) などの古典的リカレントアーキテクチャと,Quantum LSTM (QLSTM) やQuantum GRU (QGRU) などの量子変種を比較検討した。コンパクトな設計にもかかわらず、QPRUは競争予測性能、最先端のベースラインの整合性を達成し、拡張スケーラビリティやトレーニング可能なパラメータの削減など、重要な構造的および実用的な利点を提供する。

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-Enhanced Recurrent Neural Networks via Variational Quantum Gating for Battery State of Health Prediction [23.56186537390704]
本稿では,量子回路をメモリネットワークのゲーティング機構に組み込む,QLSTMと呼ばれる量子増幅リカレントフレームワークを提案する。複数のベンチマークバッテリデータセットに対する大規模な実験により、QLSTMは予測精度とロバスト性の両方で古典的なシーケンスモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2026-04-22T10:57:17Z)
Quantum Implicit Neural Representations for 3D Scene Reconstruction and Novel View Synthesis [42.138439537056954]
入射神経表現(INR)は連続信号モデリングと3次元シーン再構成の強力なパラダイムとなっている。ニューラルラディアンス場レンダリングのための最初のハイブリッド量子古典的フレームワークである量子ニューラルラディアンス場(Q-NeRF)を提案する。
論文参考訳（メタデータ） (2025-12-14T13:24:11Z)
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)
Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。 QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
論文参考訳（メタデータ） (2025-04-05T02:52:37Z)
A Survey of Quantum Transformers: Architectures, Challenges and Outlooks [82.4736481748099]
量子変換器は古典変換器の表現力と量子コンピューティングの計算上の利点を統合する。 2022年以降、この地域の研究は急速に拡大し、様々な技術パラダイムや初期の応用がもたらされた。本稿では,量子トランスモデルの包括的,体系的,詳細な調査を行う。
論文参考訳（メタデータ） (2025-04-04T05:40:18Z)
Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers [5.673361333697935]
我々は、ノイズ中間スケール量子(NISQ)デバイス上でのスケーラビリティ問題に対処するために、分散量子長短期メモリ(QLSTM)フレームワークを導入する。 QLSTMは長期の時間的依存関係をキャプチャし、分散アーキテクチャは基礎となる変分量子回路をより小さく管理可能なサブ回路に分割する。分散QLSTMは,古典的アプローチと比較して,安定した収束とトレーニングダイナミクスの向上を実現している。
論文参考訳（メタデータ） (2025-03-18T10:07:34Z)
Programming Variational Quantum Circuits with Quantum-Train Agent [3.360429911727189]
可変量子回路(VQC)の効率的かつスケーラブルなプログラミングを容易にするQT-QFWP(Quantum-Train Quantum Fast Weight Programmer)フレームワークを提案する。このアプローチは、量子と古典の両方のパラメータ管理を最適化することで、従来のハイブリッド量子古典モデルに対して大きな優位性をもたらす。 QT-QFWPは、関連モデルを効率性と予測精度の両方で上回り、より実用的で費用対効果の高い量子機械学習アプリケーションへの道筋を提供する。
論文参考訳（メタデータ） (2024-12-02T06:26:09Z)
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)
Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文参考訳（メタデータ） (2022-08-29T15:24:03Z)
Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
量子回路をキューネットワークとしてモデル化することを提案する。提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
論文参考訳（メタデータ） (2021-06-26T10:55:52Z)

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。