論文の概要: Circuit Hypernetworks for Quantum-Augmented Diffusion Language Models

• arxiv url: http://arxiv.org/abs/2609.24657v1
• Date: Mon, 21 Sep 2026 14:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.326492
• Title: Circuit Hypernetworks for Quantum-Augmented Diffusion Language Models
• Title（参考訳）: 量子拡張拡散言語モデルのための回路ハイパーネット
• Abstract要約: 凍結言語モデルにトークン条件付き量子残差分枝を追加するHyperQを導入する。 各ブランチ内では、軽量回路ハイパーネットワークがトークン固有の回転角、結合強度、測定軸を放出する。 64量子ビットでは、HyperQはバックボーンとローランク適応のそれぞれ4.71ポイントと3.67ポイントを超えている。
• 参考スコア（独自算出の注目度）: 26.836972508136125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language models can be adapted by changing the computations applied to individual tokens. Quantum circuits offer one such approach, but evaluating wider circuits inside a large model can be computationally demanding. Here we introduce HyperQ, which adds token-conditioned quantum residual branches to a frozen masked-diffusion language model. A quantum residual branch is a module in each transformer block that reads a token's hidden state, emits the coordinates of that token's circuit, executes it, and adds the measured values back through a residual connection. The backbone remains frozen, and only the added branches are trained. Within each branch, a lightweight circuit hypernetwork emits token-specific rotation angles, coupling strengths, and measurement axes in a shared sparse circuit structure. The required expectation values have an exact classical expression whose evaluation cost grows linearly with the qubit count, enabling circuits from 16 to 64 qubits to be trained within a 1.1-billion-parameter backbone. Across downstream benchmarks, increasing circuit width raises the average score from 47.65 to 54.30. At 64 qubits, HyperQ exceeds the backbone and its low-rank-adapted counterpart by 4.71 and 3.67 points, respectively. HyperQ is fine-tuned on 20,000 prompt-response pairs, compared with 200,000 for the classical baselines. These findings support token-conditioned circuit emission as a tractable architectural approach to quantum-augmented language modelling.
• Abstract（参考訳）: 言語モデルは、個々のトークンに適用された計算を変更することで適用することができる。 量子回路はそのようなアプローチを提供するが、大きなモデル内のより広い回路の評価は計算的に要求される。 ここでは,凍結マスク拡散言語モデルにトークン条件付き量子残差分枝を追加するHyperQを紹介する。 量子残差分は、トークンの隠れた状態を読み出し、そのトークンの回路の座標を出力し、それを実行し、測定された値を残差接続を介して加算するトランスフォーマーブロックのモジュールである。 背骨は凍結し、追加の枝のみが訓練される。 各分岐において、軽量回路ハイパーネットワークは、共有スパース回路構造においてトークン固有の回転角、結合強度、測定軸を出力する。 要求される期待値は、評価コストがキュービット数と線形に増加するような古典的な表現を持ち、16から64キュービットの回路を1.1ビリオンのバックボーン内でトレーニングすることができる。 下流のベンチマークで、回路幅の増大により平均スコアは47.65から54.30に上昇する。 64量子ビットでは、HyperQはバックボーンとローランク適応のそれぞれ4.71ポイントと3.67ポイントを超えている。 HyperQは2万のプロンプト-レスポンスペアで微調整されているが、古典的なベースラインでは20万である。 これらの知見は、量子拡張言語モデリングにおける抽出可能なアーキテクチャアプローチとして、トークン条件の回路放出を支持する。

関連論文リスト

• Qmes: Quantum Meta-Learning for Encoding Selection in Quantum Kernel Methods [0.0]
  メタ学習を通じて自動的に回路を推奨するオープンソースのPythonパッケージであるQmesを紹介する。 Qmesは古典的な複雑性尺度を使ってデータセットを特徴付け、トレーニング済みのモデルをクエリして回路を推奨する。 Qmesを105の分類と86の回帰ベンチマークデータセットで検証する。
  論文  参考訳（メタデータ） (2026-09-04T02:34:55Z)
• Verifiable quantum advantage in extremely low depth [52.51019642214249]
  浅量子回路では解けない問題を格子ベースの仮定で解くのが困難である。 浅量子回路は、解を効率よく検証できる古典的な難題を解くのに十分な構造を持っていることを証明している。
  論文  参考訳（メタデータ） (2026-09-01T15:54:34Z)
• Simulating quantum circuits with a neural statebank [0.0]
  量子回路軌道に沿って波動関数を学習するニューラルステートバンクを導入する。 絡み合い、魔法、非対角分岐を組み合わせた長距離回路では、ステートバンクは34キュービットで$sim 10-2$に達する。 同じアーキテクチャは量子近似最適化、クリフォード+$T$、クリフォード回路を正確にシミュレートする。
  論文  参考訳（メタデータ） (2026-06-07T16:05:44Z)
• Quantum Feature Pyramid Gating for Seismic Image Segmentation [0.0]
  この研究は、ハイブリッドセグメンテーションアーキテクチャである量子特徴ゲーティングを導入している。 パラメータ化量子回路をエンコーダ・デコーダパイプライン内の特徴核融合点に埋め込む。 2018年のTGS Salt Identification Challengeでは、101 x 101の解像度で4,000の地震画像を用いて評価されている。
  論文  参考訳（メタデータ） (2026-05-14T19:50:01Z)
• SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
  基底状態探索は量子コンピューティングの中心である。 我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。 我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
  論文  参考訳（メタデータ） (2026-03-25T13:38:15Z)
• Data Complexity Measures for Quantum Circuits Architecture Recommendation [55.74527632797241]
  量子パラメトリック回路は、量子回路のサイズを減らす代替として構築される。 与えられた問題の最適回路を決定することは 未解決の問題です 本研究では,分類問題に対する量子回路レコメンデーションアーキテクチャを,データベースの複雑性尺度を用いて提案する。
  論文  参考訳（メタデータ） (2025-02-21T01:17:24Z)
• Characterizing randomness in parameterized quantum circuits through expressibility and average entanglement [39.58317527488534]
  量子回路(PQC)は、その主応用の範囲外ではまだ完全には理解されていない。 我々は、量子ビット接続性に関する制約の下で、PQCにおけるランダム状態の生成を分析する。 生成した状態の分布の均一性の増加と絡み合いの発生との間には,どれだけ急激な関係があるかを示す。
  論文  参考訳（メタデータ） (2024-05-03T17:32:55Z)
• Continuous Variable Quantum MNIST Classifiers [0.0]
  量子ニューラルネットワークハイブリッドマルチクラス化器は、MNISTデータセットを用いて提示される。 合計8つの異なる分類器は2,3,...,8 qumodsを用いて構築される。 600のサンプルからなる切り離されたMNISTデータセットでは、4 qumodeハイブリッド分類器が100%のトレーニング精度を達成する。
  論文  参考訳（メタデータ） (2022-04-04T00:51:24Z)
• Multi-Tensor Contraction for XEB Verification of Quantum Circuits [0.0]
  本稿では,量子回路のXEB計算を高速化するマルチテンソル縮約アルゴリズムを提案する。 もしこのアルゴリズムがSummitスーパーコンピュータに実装された場合、上位回路(20サイクル)では7.5日しかかからないだろうと見積もる。
  論文  参考訳（メタデータ） (2021-08-12T11:15:49Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)

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。