論文の概要: Evaluating Hybrid Quantum-Classical Models for Reduced-Order Brain Deformation Dynamics

• arxiv url: http://arxiv.org/abs/2610.00554v1
• Date: Wed, 30 Sep 2026 18:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.698234
• Title: Evaluating Hybrid Quantum-Classical Models for Reduced-Order Brain Deformation Dynamics
• Title（参考訳）: 低次脳変形ダイナミクスのためのハイブリッド量子-古典モデルの評価
• Abstract要約: 本研究では,短期QMLのための厳密なテストベッドとして,低次物理場学習を確立した。 以上の結果から,古典的ネットワークは現状において最強のベースラインを提供することが示された。 本研究は, 短期QMLのための厳密なテストベッドとして, 低次物理場学習を確立した。
• 参考スコア（独自算出の注目度）: 8.247390969574747
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We evaluate hybrid quantum-classical machine learning for the reduced-order prediction of spatiotemporal brain deformation fields. To mitigate the computational intractability of high-dimensional displacement fields, we employ Proper Orthogonal Decomposition (POD) to project the data into a compact latent space. Within this framework, we formulate two distinct learning objectives: static temporal-to-latent regression and autoregressive latent state forecasting. We systematically benchmark compact classical baselines against both minimal and enhanced hybrid quantum architectures. Our results demonstrate that classical networks provide the strongest baselines in the present setting. For static regression, a classical POD-MLP outperforms all evaluated quantum variants, although an enhanced Variational Quantum Circuit (VQC) substantially improves upon a minimal VQC baseline. For temporal forecasting, a classical POD-LSTM delivers superior predictive accuracy and statistical robustness compared to an enhanced Quantum LSTM (QLSTM) across varying history windows and random initializations. Overall, this study establishes reduced-order physical field learning as a rigorous testbed for near-term QML, highlighting that while hybrid enhancements successfully recover expressivity in weak quantum circuits, classical architectures retain a definitive advantage in both fidelity and stability.
• Abstract（参考訳）: 時空間脳の変形場を簡易に予測するためのハイブリッド量子古典機械学習の評価を行った。 高次元変位場の計算的誘引性を軽減するために、我々は、コンパクトな潜在空間にデータを投影するために、固有直交分解(POD)を用いる。 本枠組みでは,静的時間-相対回帰と自己回帰的潜在状態予測という,2つの異なる学習目標を定式化する。 我々は、最小限の量子アーキテクチャと拡張されたハイブリッド量子アーキテクチャの両方に対して、コンパクトな古典的ベースラインを体系的にベンチマークする。 以上の結果から,古典的ネットワークは現状において最強のベースラインを提供することが示された。 静的回帰では、古典的なPOD-MLPは評価された全ての量子変量より優れているが、拡張された変分量子回路(VQC)は最小のVQCベースラインで大幅に改善される。 時間的予測のために、古典的なPOD-LSTMは、様々な履歴ウィンドウとランダム初期化にまたがる拡張量子LSTM(QLSTM)と比較して、優れた予測精度と統計的堅牢性を提供する。 本研究は,QMLの厳密なテストベッドとして低次物理場学習を確立し,量子回路における表現性回復に成功しながらも,古典的アーキテクチャは忠実さと安定性の両方において明確な優位性を保っていることを強調した。

関連論文リスト

• Learnable yet not simulable: a quantum resource theory of learning models [57.695822250391906]
  量子資源が量子回路の古典的な学習可能性を支配するかは、いまだ不明である。 チューナブル量子回路系の期待値関数について検討する。 これらの結果は,古典シミュレーションと学習の境界を記述するための定量的な資源理論の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-08-03T14:48:03Z)
• Quantum-Enhanced Recurrent Neural Networks via Variational Quantum Gating for Battery State of Health Prediction [23.56186537390704]
  本稿では,量子回路をメモリネットワークのゲーティング機構に組み込む,QLSTMと呼ばれる量子増幅リカレントフレームワークを提案する。 複数のベンチマークバッテリデータセットに対する大規模な実験により、QLSTMは予測精度とロバスト性の両方で古典的なシーケンスモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-04-22T10:57:17Z)
• Trainability-Oriented Hybrid Quantum Regression via Geometric Preconditioning and Curriculum Optimization [0.6445605125467574]
  量子ニューラルネットワーク(QNN)は、科学的な機械学習への関心が高まっている。 レグレッション設定では、ノイズのある勾配の下でのトレーサビリティの制限や、不条件の最適化に悩まされることが多い。 本稿では、これらのボトルネックを軽減するために設計されたハイブリッド量子古典回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-17T07:32:18Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• 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)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
  回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。 本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。 我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
  論文  参考訳（メタデータ） (2025-01-27T07:27:23Z)
• Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting [0.24739484546803336]
  本稿では,量子カーネル法を従来のLSTMアーキテクチャに統合したQK-LSTM(Quantum Kernel-Based Long short-Memory)ネットワークを提案する。 QK-LSTMは、トレーニング可能なパラメータが少ない複雑な非線形依存と時間ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2024-12-12T01:16:52Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)

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。