論文の概要: A Unified Physics-Aware Quantum Machine Learning Framework across Power GaN HEMTs and Logic Nanowire FETs: Predicting Unseen Process Splits and Held-Out Geometry Combinations with Lower Error and Tighter Split-to-Split Variability

• arxiv url: http://arxiv.org/abs/2609.05251v1
• Date: Fri, 04 Sep 2026 15:15:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.098216
• Title: A Unified Physics-Aware Quantum Machine Learning Framework across Power GaN HEMTs and Logic Nanowire FETs: Predicting Unseen Process Splits and Held-Out Geometry Combinations with Lower Error and Tighter Split-to-Split Variability
• Title（参考訳）: パワーGaN HEMTと論理ナノワイヤFETにまたがる統一物理対応量子機械学習フレームワーク: 未知のプロセス分割とヘルドアウト幾何の予測と低誤差とタイター分割変動の組合せ
• Abstract要約: データスカースデバイスモデリングのための小型パラメタライズド量子回路(PQC)を探索する統合強化学習フレームワークを提案する。 グラフニューラルネットワーク(GNN)ポリシーは、ホールドアウトプロセスや幾何グループに対するLOGOCV(Left-one-out cross-validation)エラーを報奨として回路アーキテクチャを探索する。 このフレームワークは、11の目標に対して6つの古典的ベースラインに対して最低平均絶対誤差(MAE)を達成し、59%の誤り(Ioff)、81%のHEMTに対する厳密な折りたたみ変動(VTH)、84%の誤り(V)を達成している。
• 参考スコア（独自算出の注目度）: 10.86517852984593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a unified reinforcement-learning (RL) framework that discovers compact parametrized quantum circuits (PQCs) for data-scarce device modeling. A graph neural network (GNN) policy optimized by proximal policy optimization (PPO) searches circuit architectures using leave-one-group-out cross-validation (LOGOCV) error on held-out process or geometry groups as the reward. The framework achieves the lowest mean absolute error (MAE) on all 11 targets versus six classical baselines, with 59% lower error (Ioff) and 81% tighter fold variability (VTH) for HEMTs and 84% lower error (VTH, SS, Ioff) and 82% tighter fold variability (Ioff) for NWFETs. These results demonstrate the potential of RL-selected, classically simulated PQCs as compact surrogates with low OOD error and improved physical consistency, despite imposing no explicit physical constraints, penalty terms, or device-specific equations, on the two evaluated device datasets.
• Abstract（参考訳）: データスカースデバイスモデリングのための小型パラメタライズド量子回路(PQC)を探索する統合強化学習(RL)フレームワークを提案する。 近似ポリシー最適化(PPO)により最適化されたグラフニューラルネットワーク(GNN)ポリシーは、ホールドアウトプロセスや幾何グループに対するLOGOCV(Left-one-out cross-validation)エラーを用いて回路アーキテクチャを検索する。 このフレームワークは、11の目標に対して6つの古典的ベースラインに対して最も低い平均絶対誤差(MAE)を達成し、59%低いエラー(Ioff)と81%低いフォールド変数(VTH)、84%低いエラー(VTH、SS、Ioff)、そして82%低いフォールド変数(Ioff)をNWFETに対して達成している。 これらの結果は、2つの評価されたデバイスデータセットに対して、明示的な物理的制約、ペナルティ項、デバイス固有の方程式を課すことなく、低OOD誤差と物理的整合性を改善したコンパクトなサロゲートとして、RL選択された古典的なPQCの可能性を示している。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration [5.2726003549534655]
  本稿では,ResNet-50バックボーン内に残余のサイドカーモジュールとして集積されたパラメータ化量子回路(PQCs)について検討した。 ベースライン, 量子サイドカーとフリーズインプットプロジェクション, バックボーン・グラディエント・トレーニングプロジェクションの量子サイドカー, アングルエンコーディングを回路計測結果と整合させる測定誘導変種を比較検討した。
  論文  参考訳（メタデータ） (2026-08-23T15:55:43Z)
• 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)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Hardware-aware Low-latency Quantum Compilation with Data-driven Lightweight Error Detection for Early Fault-Tolerant Systems [0.0]
  本稿では,ハードウェア・アウェア・コンパイルとデータ駆動型量子誤り検出フレームワークを提案する。 共同設計は、選択後の8ビットVQEインスタンスにおいて、SABREよりもアルゴリズムの成功確率を最大68%(95% CI:60%から66%)向上させることを示した。
  論文  参考訳（メタデータ） (2026-06-04T04:30:28Z)
• Physics-Informed Neural Optimal Control for Precision Immobilization Technique in Emergency Scenarios [10.27196436540399]
  精密固定化技術 (Precision Immobilization Technique, PIT) は、緊急の制御不能車両に対する効果的な介入操作である。 この研究は、PicoPINNを中心に構築されたPIT指向のニューラル最適制御フレームワークを示す。
  論文  参考訳（メタデータ） (2026-04-07T12:01:12Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Generalization Guarantees for Neural Architecture Search with Train-Validation Split [48.265305046655996]
  本稿では,列車検証分割の統計的側面について検討する。 リスクや高度勾配などの検証損失の洗練された特性は、真のテスト損失の指標であることを示す。 また、NAS、マルチカーネル学習、低ランク行列学習の厳密な接続も強調する。
  論文  参考訳（メタデータ） (2021-04-29T06:11:00Z)

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。