論文の概要: QiT: Quantum-Inspired Transformer for Visual Recognition Task

• arxiv url: http://arxiv.org/abs/2609.17789v1
• Date: Tue, 15 Sep 2026 19:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.520423
• Title: QiT: Quantum-Inspired Transformer for Visual Recognition Task
• Title（参考訳）: QiT:視覚認識タスクのための量子インスピレーション変換器
• Abstract要約: 本稿では,3成分の視覚タスクに量子インスパイアされたトランスフォーマーを提案する。 Qitは、マッチした古典的変換器と競合し、小さな量子変換器で観測される重いコストを回避する。 これらの結果は、QiTを視覚認識における量子動機の帰納バイアスを分離し評価するためのスケーラブルなベースラインとして位置づける。
• 参考スコア（独自算出の注目度）: 4.723707756235522
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Quantum machine learning offers a compelling representational perspective: angle-encoded states inhabit Hilbert spaces in which periodic similarities and interactions can be expressed naturally. Realizing this perspective for visual recognition remains difficult, however, because present quantum neural networks are constrained by limited qubit counts, costly circuit simulation and measurement, noise, and unstable optimization on noisy intermediate-scale quantum devices. We investigate whether useful structural ideas from quantum models can instead be realized as scalable classical Transformer operations. We introduce QiT, a Quantum-inspired Transformer for vision tasks with three components: (i) angle-inspired encoding that maps image tokens to learned trigonometric Hilbert-space features analogous to quantum rotation-based state encoding; (ii) self-attention over these periodic features, inducing a classical cosine kernel approximated to quantum fidelity kernels; and (iii) gated multiplicative emulation, a trainable classical surrogate for interaction terms found in variational circuits. All components are differentiable tensor operations, so QiT claims neither quantum computation nor quantum speedup and retains the $\mathcal{O}(N^2D)$ attention complexity of a standard Vision Transformer. Across image-classification benchmarks, QiT is competitive with a matched classical Transformer while avoiding the severe runtime cost observed for a small simulated quantum Transformer. QiT-B reaches 78.3\% ImageNet-1K top-1 accuracy with 45.7M parameters and 11.5 GFLOPs. These results position QiT as a scalable baseline for isolating and evaluating quantum-motivated inductive biases in visual recognition.
• Abstract（参考訳）: 角符号化された状態はヒルベルト空間に存在し、周期的な類似性と相互作用は自然に表現できる。 しかし、現在の量子ニューラルネットワークは、限られた量子ビット数、コストのかかる回路シミュレーションと測定、ノイズ、ノイズ、不安定な中間スケールの量子デバイスによる最適化によって制約されているため、この視点での認識は依然として困難である。 量子モデルから有用な構造的アイデアをスケーラブルな古典的トランスフォーマー演算として実現できるかを検討する。 3つのコンポーネントを持つ視覚タスクのための量子インスパイアされた変換器であるQiTを紹介する。 i) 画像トークンを学習された三角Hilbert空間にマッピングする角度インスパイアされた符号化は、量子回転に基づく状態符号化と類似している。 (II)これらの周期的特徴に対する自己注意、量子忠実性カーネルに近似した古典的コサイン核の誘導、及び 三 ゲート乗法エミュレーション(gate multiplicative emulation)は、可変回路で見られる相互作用項の訓練可能な古典的サロゲートである。 すべての成分は微分可能なテンソル演算であるため、QiTは量子計算も量子スピードアップも主張せず、標準ビジョン変換器の注意複雑性を$\mathcal{O}(N^2D)$保持する。 画像分類ベンチマーク全体では、QiTはマッチした古典的トランスフォーマーと競合する一方で、小さなシミュレートされた量子トランスフォーマーで観測される厳しい実行コストを回避している。 QiT-B は 78.3\% ImageNet-1K top-1 accuracy with 45.7M parameters and 11.5 GFLOPs。 これらの結果は、QiTを視覚認識における量子動機の帰納バイアスを分離し評価するためのスケーラブルなベースラインとして位置づける。

関連論文リスト

• Vectorized Attention with Learnable Encoding for Quantum Transformer [0.6766416093990318]
  本稿では,理想のマスキング行列計算をサポートするVQT(Vectorized Quantum Transformer)を提案する。 我々のノイズ中間スケール量子フレンドリなVQTアプローチは、量子コンピューティングにおけるエンドツーエンド機械学習の新しいアーキテクチャを解き放ちます。
  論文  参考訳（メタデータ） (2025-08-25T20:33:14Z)
• Adaptive Interpolating Quantum Transform: A Quantum-Native Framework for Efficient Transform Learning [0.0]
  本稿では,適応補間量子変換(AIQT)について紹介する。 この結果から,AIQTはパラメータカウントを最小化して高い性能を実現し,深部変動回路に代わるスケーラブルで解釈可能な代替手段を提供することがわかった。
  論文  参考訳（メタデータ） (2025-08-20T04:26:52Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• 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)
• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Learning with SASQuaTCh: a Novel Variational Quantum Transformer Architecture with Kernel-Based Self-Attention [0.464982780843177]
  本稿では、SASQuaT(Self-Attention Sequential Quantum Transformer Channel)という変分量子回路アーキテクチャを提案する。 提案手法は、単純なゲート演算と多次元量子フーリエ変換を用いたビジョントランスフォーマーネットワークの予測におけるカーネルベース演算子学習の最近の知見を活用する。 提案手法の有効性を検証するため,9量子ビットと少数のパラメータしか持たず,手書き桁のグレースケール画像を高い精度で同時に埋め込み,分類することが可能な画像分類タスクをシミュレーションおよびハードウェアで検討した。
  論文  参考訳（メタデータ） (2024-03-21T18:00:04Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)

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。