論文の概要: End-to-End Quantum Semantic Communication with Variational Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2609.25044v1
• Date: Sun, 30 Aug 2026 21:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.841093
• Title: End-to-End Quantum Semantic Communication with Variational Quantum Neural Networks
• Title（参考訳）: 変分量子ニューラルネットワークを用いたエンド・ツー・エンド量子セマンティック通信
• Abstract要約: 本稿では、量子機械学習(QML)とセマンティックコミュニケーション(SemCom)を組み合わせた量子意味コミュニケーションフレームワークを提案する。 古典的なデータは低次元の意味表現に圧縮され、符号化され、変分量子送信機によって処理され、量子チャネルを介して送信され、分類のために訓練可能な量子受信機によって処理される。
• 参考スコア（独自算出の注目度）: 6.5846112323516195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a quantum semantic communication (QSemCom) framework combining quantum machine learning (QML) and semantic communication (SemCom). Classical data are compressed into low-dimensional semantic representations, encoded and processed by a variational quantum transmitter, transmitted through a quantum channel, and processed by a trainable quantum receiver for classification. The framework considers a distributed quantum communication scenario in which quantum processing units (QPUs) exchange task-relevant semantic information through quantum links. While the general setting may involve multiple quantum nodes, this work focuses on the fundamental two-node case, with transmitter and receiver QPUs connected through a noisy quantum channel. Using MNIST, the framework is evaluated under ideal, bit-flip, depolarizing, and amplitude-damping channels. A baseline model is first trained over a perfect channel and evaluated under increasing noise without retraining. Receiver-side end-to-end training is then performed at fixed depolarizing-noise levels. The perfect-channel model achieves an accuracy of $0.9556$ and an F1-score of $0.9551$. Results show channel-dependent performance degradation, while receiver training substantially restores task performance under moderate and high depolarizing noise. Moreover, task recovery does not require reconstruction of the transmitted density matrix, highlighting a distinction between physical-state recovery and semantic-feature recovery. These results demonstrate that a trainable quantum receiver can recover task-relevant semantic information from noise-distorted quantum states and maintain high classification performance.
• Abstract（参考訳）: 本稿では、量子機械学習(QML)と意味コミュニケーション(SemCom)を組み合わせた量子意味コミュニケーション(QSemCom)フレームワークを提案する。 古典的なデータは低次元の意味表現に圧縮され、符号化され、変分量子送信機によって処理され、量子チャネルを介して送信され、分類のために訓練可能な量子受信機によって処理される。 このフレームワークは、量子処理ユニット(QPU)が量子リンクを介してタスク関連セマンティック情報を交換する分散量子通信シナリオを考察する。 一般的な設定は複数の量子ノードを含むかもしれないが、この研究は、ノイズの多い量子チャネルを介して接続される送信機と受信機QPUによる、基本的な2ノードのケースに焦点を当てている。 MNISTを用いて、このフレームワークを理想的なビットフリップ、非偏極化、振幅減衰チャネルで評価する。 ベースラインモデルは、まず完璧なチャネル上で訓練され、再訓練せずにノイズの増加の下で評価される。 受信側エンドツーエンドのトレーニングは、固定された非偏極ノイズレベルで実行される。 完全チャネルモデルは0.9556$の精度と0.9551$のF1スコアを達成する。 その結果、受信機訓練は中等度・高偏極雑音下でのタスク性能を実質的に回復する一方、チャネル依存性の性能劣化を示す。 さらに、タスク回復は送信された密度行列の再構築を必要としないため、物理的状態回復と意味的機能回復の区別が強調される。 これらの結果は、トレーニング可能な量子受信機がノイズ歪みのある量子状態からタスク関連セマンティック情報を復元し、高い分類性能を維持することができることを示す。

関連論文リスト

• Quantum conditional mutual information and channel capacity [0.0]
  第3のシステムによって支援された2つの間の量子相関を確立するための最適速度は、QCMIの半分で与えられることを示す。 この結果は、Csiszr と Ahlswede の古典的な鍵生成能力を量子領域に自然に拡張する。
  論文  参考訳（メタデータ） (2026-06-24T01:01:57Z)
• Memory effects in repeated uses of quantum channels [0.0]
  量子情報処理タスクは、量子力学マップの観点で効率的に定式化することができる。 重要なQIPタスクは、量子ネットワークの遠いノード間で量子情報を共有することを目的とした量子状態転送(QST)である。 比較的小さな読み出しタイミング誤差であっても、その後のQSTタスクに非常に有害な影響を与えるメモリ効果が生じることを示す。
  論文  参考訳（メタデータ） (2025-11-07T19:00:14Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum State Reconstruction in a Noisy Environment via Deep Learning [0.9012198585960443]
  未知のノイズチャネルによって崩壊した量子状態の再構成と分類のタスクについて検討する。 このような手法が,99%以上の忠実度で回復できることを示す。 また、異なる量子ノイズチャネルを区別するタスクも検討し、ニューラルネットワークベースの分類器が、そのような分類問題を正確な精度で解決できることを示す。
  論文  参考訳（メタデータ） (2023-09-21T10:03:30Z)
• Quantum Semantic Communications for Resource-Efficient Quantum Networking [52.3355619190963]
  本稿では、量子機械学習と量子意味表現の進歩を活かした新しい量子意味通信(QSC)フレームワークを提案する。 提案手法は,高い量子セマンティック忠実度を達成しつつ,必要な量子通信資源の約50～75%の削減を実現する。
  論文  参考訳（メタデータ） (2022-05-05T03:49:19Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。