論文の概要: Distilling Datasets into Shallow Circuits for Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2609.28229v1
• Date: Wed, 23 Sep 2026 14:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.07968
• Title: Distilling Datasets into Shallow Circuits for Quantum Machine Learning
• Title（参考訳）: 量子機械学習のための浅部回路へのデータセットの蒸留
• Abstract要約: 量子データセット蒸留(QDD)は、完全なデータセットを直接、浅い回路の小さなセットに蒸留する。 MNISTとFashion-MNISTでは、クラス毎に10の回路しか完全データトレーニングに匹敵する精度を達成できない。
• 参考スコア（独自算出の注目度）: 34.589572571878215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In quantum machine learning, training a quantum model requires each sample to be prepared as a quantum state by a loading circuit that must be re-executed for every shot at every training step. The total burden therefore scales with both the number of samples and the cost of preparation. Existing approaches reduce the loading cost of individual inputs or distill data and compress their representations before applying a separate quantum encoding. This separation can leave resulting samples costly to prepare or cause additional loss of the information during subsequent compilation into shallow circuits. We propose quantum dataset distillation (QDD), which distills the full dataset directly into a small set of shallow circuits. Each synthetic sample is parameterized as a staircase circuit corresponding to a low-rank tensor network, making the sample and its loading circuit the same object. The circuit parameters are optimized classically with exact gradients using distribution matching under an explicit loading budget, without post-hoc state-preparation synthesis. On MNIST and Fashion-MNIST, only 10 circuits per class ($0.0017\times$ the full dataset size) achieve accuracy comparable to full-data training and outperform selection baselines under matched sample and loading budgets. In finite-shot training, QDD reaches 95\% of the full-data accuracy with more than $100\times$ fewer cumulative shots. Additionally, we validate QDD on real quantum hardware, demonstrating its practical deployment potential.
• Abstract（参考訳）: 量子機械学習では、量子モデルのトレーニングでは、各サンプルをロード回路によって量子状態として準備する必要がある。 したがって、総負担はサンプル数と準備コストの両方で増大する。 既存のアプローチは、個別の入力や蒸留データのロードコストを削減し、別の量子符号化を適用する前にそれらの表現を圧縮する。 この分離は、その結果のサンプルを高価に残して、後続の浅い回路へのコンパイル中に情報の追加的な損失を発生させる。 本稿では,量子データセット蒸留法(QDD)を提案する。 各合成試料は、低ランクテンソルネットワークに対応する階段回路としてパラメータ化され、試料とその負荷回路は同じ対象とする。 回路パラメータは、時間後状態準備合成なしで、明示的な負荷予算の下で分布マッチングを用いて、古典的に正確な勾配で最適化される。 MNISTとFashion-MNISTでは、クラス毎に10回路(0.0017\times$ the full dataset size)しか、完全データトレーニングに匹敵する精度を達成せず、マッチしたサンプルとロード予算の下で選択ベースラインを上回ります。 有限ショットトレーニングでは、QDDは全データの精度の95%に達する。 さらに、実量子ハードウェア上でのQDDの有効性を検証し、その実用的展開可能性を実証する。

関連論文リスト

• Quantum State Preparation via Neural Network Encoding in Quantum Machine Learning [1.0914870876968699]
  量子機械学習における中心的な課題は、状態準備ボトルネックである。 固定量子回路の連続パラメータに直接入力データをマッピングするために,古典的ニューラルネットワークを訓練することで反復最適化を回避する手法を提案する。 トレーニング中に見えないデータに対して高忠実度で量子画像状態の生成を実証する。
  論文  参考訳（メタデータ） (2026-05-29T08:39:24Z)
• 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)
• $ζ$-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)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• 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)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)

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。