論文の概要: Adversarial Robustness in Fake Quantum Simulators

• arxiv url: http://arxiv.org/abs/2610.01574v1
• Date: Thu, 01 Oct 2026 12:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.114609
• Title: Adversarial Robustness in Fake Quantum Simulators
• Title（参考訳）: フェイク量子シミュレータにおける対向ロバスト性
• Abstract要約: 本稿では,ノイズモデルに基づく擬似シミュレータに実装した量子機械学習(QML)モデルの性能スケーラビリティと対向ロバスト性について検討する。 まず,QiskitのAerシミュレーションエンジンの計算スループットを,様々なハードウェアアーキテクチャにわたってベンチマークし,さらに現実的な雑音条件下でのPGD攻撃と対向的再訓練戦略の有効性を評価する。 中規模シミュレーション(最大8キュービット)のトレードオフとスケーリングの挙動を定量化し, 実用モデルロバスト性を達成するためには, 高逆対ベニグリトレーニング比(50/50)が不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the performance scalability and adversarial robustness of Quantum Machine Learning (QML) models deployed on noise-model-based fake simulators. We conduct a dual-phased study, first benchmarking the computational throughput of Qiskit's Aer simulation engine across varying hardware architectures, and second, evaluating the effectiveness of Projected Gradient Descent (PGD) attacks and adversarial retraining strategies under realistic noise conditions. Our results quantify the runtime tradeoffs and scaling behavior for medium-scale simulations (projected up to 8 qubits) and demonstrate that high adversarial-to-benign retraining ratios (50/50) are essential for achieving practical model robustness for 4-qubit classifiers under realistic noise conditions.
• Abstract（参考訳）: 本稿では,ノイズモデルに基づく擬似シミュレータに実装した量子機械学習(QML)モデルの性能スケーラビリティと対向ロバスト性について検討する。 まず,QiskitのAerシミュレーションエンジンの計算スループットを様々なハードウェアアーキテクチャでベンチマークし,第2に,プロジェクテッド・グラディエント・ディフレッシュ(PGD)攻撃の有効性と,現実的な雑音条件下での対向的リトレーニング戦略を評価する。 本研究では,中規模シミュレーション(最大8キュービット)における実行時のトレードオフとスケーリングの挙動を定量化するとともに,現実的な雑音条件下での4キュービット分類器の実用的モデルロバスト性を実現するために,高逆対ベニグニグリトレーニング比(50/50)が不可欠であることを示す。

関連論文リスト

• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• Extending Straight-Through Estimation for Robust Neural Networks on Analog CIM Hardware [5.100973962435092]
  本稿では,アナログ・コンピュート・イン・メモリ(CIM)システムのためのノイズアウェア・トレーニング手法を提案する。 我々は、後方勾配計算から前方雑音シミュレーションを分離し、より正確だが計算上は難解なノイズモデリングによる雑音認識訓練を可能にする。 本フレームワークは,画像分類の精度を最大5.3%向上し,テキスト生成における0.72パープレキシティ低減を実現し,トレーニング時間の2.2$times$ Speedupを実現し,ピークメモリ使用率を37.9%削減した。
  論文  参考訳（メタデータ） (2025-08-16T06:53:44Z)
• Active Sequential Posterior Estimation for Sample-Efficient Simulation-Based Inference [12.019504660711231]
  逐次的神経後部推定(ASNPE)を導入する。 ASNPEは、シミュレーションパラメータ候補の効用を基礎となる確率モデルに推定するために、推論ループにアクティブな学習スキームをもたらす。 提案手法は,大規模実世界の交通ネットワークにおいて,高度に調整されたベンチマークと最先端の後方推定手法より優れる。
  論文  参考訳（メタデータ） (2024-12-07T08:57:26Z)
• Quantum noise modeling through Reinforcement Learning [38.47830254923108]
  本稿では,量子チップに影響を及ぼすノイズを特徴付ける機械学習手法を導入し,シミュレーション中にエミュレートする。 我々のアルゴリズムは強化学習を活用し、様々なノイズモデルを再現する際の柔軟性を向上させる。 実超伝導量子ビット上でのシミュレーションおよび試験によりRLエージェントの有効性が検証された。
  論文  参考訳（メタデータ） (2024-08-02T18:05:21Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [71.04084063541777]
  ランク付けのためのカウンターファクトラーニングはIRコミュニティで広く注目を集めている。 モデルは、ユーザの振る舞いの仮定が正しく、確率推定が正確であるときに理論的に非バイアス化される。 それらの有効性は通常シミュレーションベースの実験を通じて実証的に評価されるが、これは広く利用可能な大規模で実際のクリックログが不足しているためである。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。