論文の概要: Impact of Data Loss in Postprocessing on Training and Inference of Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2609.05060v1
• Date: Fri, 04 Sep 2026 12:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.031699
• Title: Impact of Data Loss in Postprocessing on Training and Inference of Quantum Neural Networks
• Title（参考訳）: 後処理におけるデータ損失が量子ニューラルネットワークのトレーニングと推論に及ぼす影響
• Abstract要約: 後処理ルーチンは、ユーティリティスケールデバイスをもはや保持しない仮定をエンコードする。 本稿では,Qiskit Machine Learningライブラリのサンプリングベース量子ニューラルネットワーククラスである texttSamplerQNN のケーススタディを示す。 ビットストリングが100以上の物理量子ビットにまたがる量子ハードウェアの動作では、このフィルタは85から99.6%の有効な測定ショットが失われる結果となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As quantum hardware scales to larger devices, the classical software layers that interface with it must evolve in step. Postprocessing routines developed and tested primarily in simulator settings can encode assumptions that no longer hold on utility-scale devices, leading to data loss that can be difficult to detect from high-level model outputs alone. We present a case study of \texttt{SamplerQNN}, the sampling-based quantum neural network class in the Qiskit Machine Learning library. Here, the postprocessing method applies a filter that assumes measurement bit-strings are in virtual qubit space. On our quantum hardware runs, where bit-strings span over 100 physical qubits, this filter led to the loss of 85 to 99.6\% of valid measurement shots, depending on the transpiler's qubit placement. The resulting probability vector is unnormalised, allowing distorted prediction and loss values to propagate through the model without an API-level warning. We demonstrate the impact across five experiments on two IBM backends: for inference, accuracy drops from 0.94 to 0.39 on the same raw measurements; for training, the loss signal is compressed by 22 to 27$\times$, substantially reducing the sensitivity of the optimiser to the objective landscape. The behaviour arises in all released versions of the library (0.8.4 to 0.9.0). We implemented a layout-based marginalisation fix, merged into the GitHub codebase as Pull Request \#1041, that makes \texttt{SamplerQNN} postprocessing forward-compatible with current and upcoming hardware.
• Abstract（参考訳）: 量子ハードウェアがより大きなデバイスにスケールするにつれて、それとインターフェースする古典的なソフトウェア層は段階的に進化しなければなりません。 主にシミュレータ設定で開発およびテストされた後処理ルーチンは、ユーティリティスケールのデバイスをもはや保持しない仮定を符号化することができ、高レベルのモデル出力からのみ検出することが難しいデータ損失につながる。 本稿では,Qiskit Machine Learningライブラリのサンプリングベース量子ニューラルネットワーククラスである‘texttt{SamplerQNN} のケーススタディを示す。 ここで、後処理法は、測定ビット列が仮想量子ビット空間にあると仮定するフィルタを適用する。 量子ハードウェアの動作では、ビットストリングが100以上の物理量子ビットにまたがるため、このフィルタはトランスパイラーの量子ビット配置に応じて85から99.6\%の有効な測定ショットが失われる結果となった。 結果の確率ベクトルは非正規化され、歪んだ予測と損失値がAPIレベルの警告なしでモデルを通して伝播する。 トレーニングでは、損失信号が22～27$\times$で圧縮され、オプティマイザの目標景観に対する感度が大幅に低下する。 この動作はライブラリのすべてのリリースバージョン(0.8.4から0.9.0)で発生する。 我々はレイアウトベースのマージン化修正を実装し、GitHubコードベースにPull Request \#1041としてマージした。

関連論文リスト

• Dissipatively Stabilized 0-n Fock Qubits for Noise-Biased Quantum Computing [0.027998963147546147]
  ノイズバイアス量子ビットはビットフリップ誤差を持ち、位相フリップ誤差に対して指数関数的に抑制される。 基底状態の情報を符号化することでノイズバイアスを抑える「0-n」フォック量子ビットアーキテクチャを提案する。 猫量子ビット上の制御Xゲートに対して,10～8ドルに近いビットフリップ確率が達成可能であることを数値的に示す。
  論文  参考訳（メタデータ） (2026-08-26T16:20:43Z)
• Latency-Constrained Hardware-Aware Quantum Error Correction Co-Design with Adaptive Confidence-Gated Neural Decoding for the Rotated Surface Code [0.0]
  リアルタイムデコーディングは、量子エラー訂正のスケーリングにおいて大きなボトルネックとなる。 本稿では2段階推論問題としてデコードを扱うアダプティブ・アダプティブ・アダプティブ・アダプティブ・デコード・フレームワークを提案する。 回路レベルの非偏光雑音下で,3,5,7,9,11$で$dの回転曲面符号をベンチマークした。
  論文  参考訳（メタデータ） (2026-07-07T04:18:42Z)
• Few-Shot Cross-Device Transfer for Quantum Noise Modeling on Real Hardware [0.0]
  我々は,ある量子デバイスで学習したノイズモデルを,少量のデータを用いて別のデバイスに適用するための伝達学習手法を探究する。 その結果、最小限のサンプルで量子ノイズを学習し、微調整できることが示され、クロスデバイスな量子エラー軽減のための妥当なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-04-27T12:23:14Z)
• Trainable Bitwise Soft Quantization for Input Feature Compression [0.7559720049837458]
  本稿では,ニューラルネットワークの入力特徴を圧縮するタスク固有で訓練可能な特徴量化層を提案する。 これにより、デバイスからリモートサーバに転送される必要のあるデータの量を大幅に削減できる。
  論文  参考訳（メタデータ） (2026-03-05T13:40:55Z)
• Reducing Storage of Pretrained Neural Networks by Rate-Constrained Quantization and Entropy Coding [56.066799081747845]
  成長を続けるニューラルネットワークのサイズは、リソースに制約のあるデバイスに深刻な課題をもたらす。 本稿では,レートアウェア量子化とエントロピー符号化を組み合わせた学習後圧縮フレームワークを提案する。 この方法では非常に高速な復号化が可能であり、任意の量子化グリッドと互換性がある。
  論文  参考訳（メタデータ） (2025-05-24T15:52:49Z)
• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Mixed-Precision Neural Network Quantization via Learned Layer-wise Importance [50.00102219630088]
  混合精度量子化(MPQ)は各層に対して最適なビット幅を決定するのを難しくする。 本稿では,すべての指標を同時に取得できる共同学習手法を提案する。 例えば、ResNet18上のインデックスによるMPQ検索は、わずか0.06秒しかかからない。
  論文  参考訳（メタデータ） (2022-03-16T03:23:50Z)
• Learning with Noisy Labels via Sparse Regularization [76.31104997491695]
  ノイズの多いラベルで学習することは、正確なディープニューラルネットワークをトレーニングするための重要なタスクである。 クロスエントロピー(Cross Entropy, CE)など、一般的に使われている損失関数は、ノイズラベルへの過度なオーバーフィットに悩まされている。 我々は, スパース正規化戦略を導入し, ワンホット制約を近似する。
  論文  参考訳（メタデータ） (2021-07-31T09:40:23Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。