論文の概要: Towards Scaling Quantum Fine-Tuning of Foundational Time Series Models for Classification

• arxiv url: http://arxiv.org/abs/2609.05408v1
• Date: Fri, 04 Sep 2026 17:56:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.149662
• Title: Towards Scaling Quantum Fine-Tuning of Foundational Time Series Models for Classification
• Title（参考訳）: 分類のための基本時系列モデルの量子微調整のスケールアップに向けて
• Abstract要約: 時系列基礎モデルは、リッチな埋め込みを生成するが、量子モデルがそれらを活用できるかどうか、そしてハイブリッド古典量子アーキテクチャがどこまでスケールするかは、まだ不明である。 モデル埋め込み上に量子ヘッドを持つパワーグリッドイベント分類(PSML-5)のためのクロノスを微調整することでこの問題に対処する。 より微細な特徴により、量子ヘッドは同じ入力に対してより大きな古典的な多層パーセプトロンを1.7-2.0の精度で上回る。
• 参考スコア（独自算出の注目度）: 1.75181998606904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series foundation models produce rich embeddings, but whether quantum models can exploit them, and how far hybrid classical-quantum architectures scale, remains unclear. We address this by fine-tuning Chronos for power-grid event classification (PSML-5) with a quantum head on the model's embeddings. Grouping embeddings by physical sensor type before summarization already surpasses the best published baseline built for this benchmark, and with finer-grained features the quantum head outperforms a larger classical multilayer perceptron on identical inputs by 1.7-2.0 percentage points of balanced accuracy. Yet the gains saturate: past a point, feeding more information to the same fixed-width register yields no improvement. We show the bottleneck is neither the supply of information nor circuit expressiveness, but the bandwidth of the data intake. To overcome this limitation, we introduce the wing module, a self-contained few-qubit circuit that feeds additional information into the core circuit through a sparse, one-way coupling. Under a preregistered four-seed protocol, we attach wings to a fixed 12-qubit core with fixed features. Balanced accuracy increases with each added wing, from 83.6% with no wings (13 qubits, including a post-selection qubit) to 85.2% with two (19 qubits). Ablations establish that a circuit enlarged without new information gains nothing, while a wing fed information from the wrong sample harms accuracy. These results reframe scaling for quantum fine-tuning: added qubits help when they carry added inputs, not merely more parameters. Wings offer a modular and stable route to widening that bandwidth.
• Abstract（参考訳）: 時系列基礎モデルは、リッチな埋め込みを生成するが、量子モデルがそれらを活用できるかどうか、そしてハイブリッド古典量子アーキテクチャがどこまでスケールするかは、まだ不明である。 モデル埋め込み上に量子ヘッドを持つパワーグリッドイベント分類(PSML-5)のためのクロノスを微調整することでこの問題に対処する。 まとめ前の物理センサタイプによるグループ埋め込みは、このベンチマークで構築された最高のベースラインを超えており、よりきめ細かい特徴により、量子ヘッドは同じ入力で1.7-2.0の精度で古典的な多層パーセプトロンを上回ります。 ポイントを過ぎると、同じ固定幅レジスタにより多くの情報を供給しても、改善は得られない。 ボトルネックは情報供給や回路表現性ではなく、データ取り込みの帯域幅であることを示す。 この制限を克服するために、我々は、疎片方向結合を通じてコア回路に付加情報を供給する自己完結型数量子ビット回路であるウィングモジュールを導入する。 事前登録された4シードプロトコルでは、固定された12量子ビットコアに翼を固定した特徴を持つ。 各翼のバランス精度は、翼のない83.6%(選択後のキュービットを含む13キュービット)から2つのキュービットを持つ85.2%(19キュービット)まで上昇する。 アブレーションは、新しい情報なしで拡張された回路が何も得られないことを証明し、間違ったサンプルから情報を供給した翼は精度を損なう。 これらの結果は量子微調整のためのスケーリングを再構築する: 量子ビットを追加することは、単にパラメータを増やすだけでなく、追加入力を運ぶのに役立つ。 Wingは、その帯域幅を広げるためのモジュラーで安定したルートを提供する。

関連論文リスト

• Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark [0.9106818059692908]
  イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。 この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。 CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
  論文  参考訳（メタデータ） (2026-08-26T15:32:44Z)
• 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)
• Lane-Frame Quantum Multimodal Driving Forecasts for the Trajectory of Autonomous Vehicles [6.137648436139678]
  自動運転のトレイ予測は、厳密な計算とレイテンシの制約の下で、正確でマルチモーダルなキャリブレーションされた予測を提供する必要がある。 本稿では,エゴ中心のレーン配向フレームで動作することにより,量子帰納バイアスを路面構造に整合させる,コンパクトなハイブリッド量子アーキテクチャを提案する。 Open Motionデータセットでは、SI1.94mのminADEとSI3.56mのminFDEが達成され、ミス率と強いリコールでキネマティックベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-21T07:00:07Z)
• Enhancing Kerr-Cat Qubit Coherence with Controlled Dissipation [64.05054054401175]
  Kerr-cat qubit (KCQ) はボゾン量子プロセッサである。 KCQはオンチップアーキテクチャや高忠実度操作と実験的に互換性がある。 KCQ におけるビットフリップ時間は、キュービット多様体からの漏れによって制限されるという直接的な証拠を示す。
  論文  参考訳（メタデータ） (2025-11-02T17:58:36Z)
• Low-bit Model Quantization for Deep Neural Networks: A Survey [123.89598730307208]
  本稿では、ディープニューラルネットワーク(DNN)における低ビット量子化に向けた最近の5年間の進歩について調査する。 我々は最先端の量子化手法を議論し、それらのコア技術に基づいて8つの主要なカテゴリと24のサブカテゴリに分類する。 我々は、モデル量子化の分野における潜在的研究の機会に光を当てた。
  論文  参考訳（メタデータ） (2025-05-08T13:26:19Z)
• ParetoQ: Improving Scaling Laws in Extremely Low-bit LLM Quantization [73.60493264901359]
  本稿では,1ビット,1.58ビット,2ビット,3ビット,4ビットの量子化設定に対して厳密な比較を行う統一フレームワークを提案する。 3次、2ビット、3ビット量子化は、サイズと精度のトレードオフにおいて同等のパフォーマンスを維持していることを示す。 ハードウェアの制約を考慮すると、2ビット量子化はメモリの削減とスピードアップに有望な可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-04T18:59:26Z)
• Efficient and Equivariant Graph Networks for Predicting Quantum Hamiltonian [72.57870177599492]
  本稿では,効率と等価性を実現するSE(3)-equivariant Network,QHNetを提案する。 我々の重要な進歩はQHNetアーキテクチャの革新的な設計であり、基礎となる対称性に従うだけでなく、テンソル製品の数を92%削減できる。 実験結果から,我々のQHNetは最先端の手法に匹敵する性能を極めて高速に達成できることが示された。
  論文  参考訳（メタデータ） (2023-06-08T03:47:33Z)
• TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum Circuits [26.735857677349628]
  変分量子アルゴリズム(VQA)は、短期デバイスに量子上の利点を示すことを約束している。 パラメータ化ゲートを持つ変分回路であるアンサッツの設計は、VQAにとって最重要となる。 トポロジ固有のアンザッツを生成するボトムアップ手法を提案する。
  論文  参考訳（メタデータ） (2022-10-15T04:18:41Z)
• Time-Sliced Quantum Circuit Partitioning for Modular Architectures [67.85032071273537]
  現在の量子コンピュータの設計はスケールしない。 小さなプロトタイプを超えてスケールするために、量子アーキテクチャーは、密に連結された量子ビットとクラスタ間のスパーサ接続のクラスタによるモジュラーアプローチを採用する可能性が高い。 このクラスタリングと静的に知られた量子プログラムの制御フローを利用して、量子回路を一度に一度にモジュラ物理マシンにマップするトラクタブルパーティショニングを生成する。
  論文  参考訳（メタデータ） (2020-05-25T17:58:44Z)

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。