論文の概要: When Quantum Meets AI: Quantum Methods for Machine Learning and Machine Learning Methods for Quantum Systems

• arxiv url: http://arxiv.org/abs/2609.25641v1
• Date: Tue, 22 Sep 2026 03:51:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.198981
• Title: When Quantum Meets AI: Quantum Methods for Machine Learning and Machine Learning Methods for Quantum Systems
• Title（参考訳）: 量子AI: 機械学習のための量子メソッドと量子システムのための機械学習メソッド
• Abstract要約: この論文は、量子コンピューティングと人工知能の交差を2方向に研究している。 量子機械学習では、Neural Quantum Embeddingは組込みクラスのアンサンブル間のトレース距離を増加させるデータ表現を学ぶ。 量子システムの場合、表面符号のためのMambaベースのニューラルデコーダはメモリ実験においてTransformerベースラインと一致する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This thesis studies the intersection of quantum computing and artificial intelligence in two directions: quantum methods for machine learning and machine learning methods for quantum systems. For quantum machine learning, Neural Quantum Embedding learns data representations that increase the trace distance between embedded class ensembles, lowering an embedding-dependent bound on empirical risk and improving classification on noisy quantum hardware. A training objective based on the Hilbert-Schmidt inner product extends this approach to deterministic quantum computation with one qubit (DQC1) and is demonstrated on an NMR quantum processor. A margin-based generalization analysis then connects quantum neural network performance to quantum state discrimination. In the studied benchmarks, margin distributions predict generalization more reliably than parameter-count metrics. For quantum systems, a Mamba-based neural decoder for surface codes matches a reproduced Transformer baseline in memory experiments while reducing inference-cost scaling from quartic to quadratic in code distance. Under an explicit decoder-induced-noise model, it achieves lower logical error rates and a higher effective threshold. For neural quantum states, stochastic reconfiguration is interpreted as tangent-space ridge regression, with its diagonal shift controlling the bias-variance trade-off under finite Monte Carlo sampling. Multi-shift stochastic reconfiguration reduces checkpoint-local validation residuals and update variance relative to fixed-shift SR, at additional computational cost. Together, these contributions show how learned representations, statistical control, and hardware constraints shape the exchange between quantum computing and machine learning.
• Abstract（参考訳）: この論文は、量子コンピューティングと人工知能の2つの方向、すなわち、機械学習のための量子メソッドと量子システムのための機械学習メソッドの交差点を研究する。 量子機械学習において、Neural Quantum Embeddingは、組込みクラスアンサンブル間のトレース距離を増加させるデータ表現を学び、経験的リスクに縛られる埋め込み依存を低くし、ノイズの多い量子ハードウェアの分類を改善する。 Hilbert-Schmidt内積に基づくトレーニング目的は、1量子ビット(DQC1)による決定論的量子計算へのアプローチを拡張し、NMR量子プロセッサ上で実証される。 マージンに基づく一般化分析は、量子ニューラルネットワークの性能と量子状態の識別を結びつける。 検討されたベンチマークでは、マージン分布はパラメーターカウントの指標よりも確実に一般化を予測する。 量子システムの場合、表面コードのためのMambaベースのニューラルデコーダは、メモリ実験において再生されたトランスフォーマーベースラインと一致し、コード距離のクォートから2次への推論コストのスケーリングを低減させる。 明示的なデコーダ誘導ノイズモデルの下では、より低い論理誤差率と高い有効しきい値を達成する。 ニューラル量子状態の場合、確率再構成は接空間リッジ回帰として解釈され、その対角シフトは有限モンテカルロサンプリングの下でバイアス分散トレードオフを制御する。 マルチシフト確率的再構成は、さらなる計算コストで、チェックポイント局所的な検証残差を低減し、固定シフトSRに対する分散を更新する。 これらのコントリビューションは、学習した表現、統計的制御、ハードウェアの制約が、量子コンピューティングと機械学習の交換をいかに形作るかを示している。

関連論文リスト

• 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)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• 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)
• 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)
• Quantum Resonant Dimensionality Reduction and Its Application in Quantum Machine Learning [2.7119354495508787]
  本稿では,入力データの次元を低減するために,量子共振器遷移に基づくQRDRアルゴリズムを提案する。 QRDR後、入力データの寸法$N$を所望のスケール$R$に減らし、元のデータの有効情報を保存する。 我々のアルゴリズムは様々な計算分野に応用できる可能性がある。
  論文  参考訳（メタデータ） (2024-05-21T09:26:18Z)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• 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)
• QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
  機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。 本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。 従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
  論文  参考訳（メタデータ） (2020-02-22T04:14:32Z)

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。