論文の概要: Adaptive Relational Learning on Multi-instance Quantum Data with Photonic Processors
- arxiv url: http://arxiv.org/abs/2609.17352v1
- Date: Tue, 15 Sep 2026 15:50:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.60431
- Title: Adaptive Relational Learning on Multi-instance Quantum Data with Photonic Processors
- Title（参考訳）: フォトニックプロセッサを用いたマルチインスタンス量子データの適応的関係学習
- Abstract要約: 量子データに対する適応的関係学習フレームワークを導入する。
我々は、連続変数の古典的影に基づく非適応測度ファーストのアプローチに対して適応モデルをベンチマークする。
我々の研究は、適応的なフォトニックQMLが非適応的、測度優先モデルで回復するのにコストがかかるリレーショナル機能にアクセス可能な、センシングおよび量子データアプリケーションへのルートを開く。
- 参考スコア（独自算出の注目度）: 12.900130585480523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Loading multiple quantum states in parallel into a quantum machine learning (QML) model can unlock learning tasks where key information resides in the \emph{relations} between states rather than in individual states. We introduce an adaptive relational learning framework for such multi-instance quantum data that accesses pairwise and higher-order relations. Our model combines global measurements via SWAP or CYCLE tests for evaluating an $n$-state Bargmann invariant with shallow trainable transformations applied locally to each input state. We demonstrate the approach for continuous-variable (CV) photonic systems, which naturally provide access to quantum data and necessary computing operations. We solve tasks involving hidden relationship detection, geometric phase classification, and sensing in the presence of an unknown shared nuisance interaction. We benchmark the adaptive model against a non-adaptive ``measure-first'' approach based on continuous-variable classical shadows, and show that the cost of shadow estimation grows rapidly with $n$, while our model avoids this dependence. Already for $n=2$, we achieve perfect test accuracy $A=1.0$ with $500$ inference shots, improving average test accuracy over the shadow-based method by $ΔA=0.15$ while using $100$ times fewer shots per data point. Our work opens routes to sensing and quantum-data applications where adaptive photonic QML can access relational features that are costly to recover with non-adaptive, measure-first models.
- Abstract（参考訳）: 量子機械学習(QML)モデルに並列に複数の量子状態を読み込むと、個々の状態ではなく、状態間の‘emph{relations}’にキー情報が格納されている学習タスクがアンロックされる。
本稿では,高次・高次関係にアクセスするマルチインスタンス量子データに対する適応的関係学習フレームワークを提案する。
我々のモデルはSWAPまたはCYCLEテストによるグローバルな測定を組み合わせ、$n$状態のバーグマン不変量と各入力状態に局所的に印加される浅度なトレーニング可能な変換を評価できる。
本稿では,連続可変(CV)フォトニックシステムへのアプローチを実証する。
我々は、未知の共有ニュアンス相互作用の存在下で、隠れ関係検出、幾何位相分類、およびセンシングを含む課題を解決する。
連続変数の古典的シャドウに基づく適応的でない ` `measure-first' アプローチに対して適応モデルをベンチマークし, シャドウ推定のコストが$n$で急速に増加することを示す。
既に$n=2$の場合、500ドルの推論ショットを持つ完全なテスト精度$A=1.0$を達成し、データポイントあたり100ドル少ないショットを使用しながら、シャドウベースのメソッドの平均テスト精度を$ΔA=0.15$で改善する。
我々の研究は、適応的なフォトニックQMLが非適応的、測度優先モデルで回復するのにコストがかかるリレーショナル機能にアクセス可能な、センシングおよび量子データアプリケーションへのルートを開く。
関連論文リスト
- Optimal classical shadow estimation of unitary channels at Heisenberg limit [14.66801274879422]
未知の量子進化の完全なトモグラフィーは資源集約であり、選択された性質を予測することだけを目標とする場合にしばしば不要である。
本稿では,入力状態や可観測物が一定のランクを持つ場合,$mathcalO(dvarepsilon-1)$クエリを用いた並列非適応CSEUプロトコルを提案する。
我々のクエリ最適化CSEUプロトコルは、量子学習理論のための汎用的で強力なツールを提供し、いくつかの基本的な学習タスクのパフォーマンス限界を押し上げます。
論文 参考訳（メタデータ） (2026-06-11T17:45:46Z) - AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。
分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。
SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-12-12T17:35:36Z) - Quantum Active Learning [3.3202982522589934]
量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。
QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。
我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
論文 参考訳（メタデータ） (2024-05-28T14:39:54Z) - Dynamic, Symmetry-Preserving, and Hardware-Adaptable Circuits for Quantum Computing Many-Body States and Correlators of the Anderson Impurity Model [0.0]
ハミルトン予想値は$omega(N_q)N_textmeas. leq O(N_textimpN_textbath)$対称性保存並列測定回路を必要とする。
我々のアンサッツは、初期のフォールトトレラントプロセッサの電子的相関を考慮に入れるのに有用なツールである。
論文 参考訳（メタデータ） (2024-05-23T21:41:28Z) - $ζ$-QVAE: A Quantum Variational Autoencoder utilizing Regularized Mixed-state Latent Representations [1.0687104237121408]
量子コンピューティングにおける大きな課題は、量子ハードウェアリソースが不足しているため、大規模な実世界のデータセットに適用することである。
古典的VAEのすべての機能を含む完全量子フレームワークである$zeta$-QVAEを提示する。
我々の結果は、$zeta$-QVAEが潜在空間の容量をよりよく活用する表現を学習していることを示している。
論文 参考訳（メタデータ） (2024-02-27T18:37:01Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Tuning arrays with rays: Physics-informed tuning of quantum dot charge
states [0.0]
ゲート定義量子ドット(QD)に基づく量子コンピュータはスケールすることが期待される。
量子ビットの数が増加するにつれて、これらのシステムを手動で調整する作業は理にかなっている。
ここでは,グローバルな自動状態とチャージチューニングのための,直感的で信頼性が高く,データ効率のよいツールセットを実演する。
論文 参考訳（メタデータ） (2022-09-08T14:17:49Z) - An Experimental Design Perspective on Model-Based Reinforcement Learning [73.37942845983417]
環境からの状態遷移を観察するのは費用がかかる。
標準RLアルゴリズムは通常、学習するために多くの観測を必要とする。
本稿では,マルコフ決定過程について,状態-作用対がどの程度の情報を提供するかを定量化する獲得関数を提案する。
論文 参考訳（メタデータ） (2021-12-09T23:13:57Z) - Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。
本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文 参考訳（メタデータ） (2020-11-16T06:51:55Z)
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。