論文の概要: Evolving Hybrid Quantum-Classical Architectures for Image Classification
- arxiv url: http://arxiv.org/abs/2610.03220v1
- Date: Fri, 02 Oct 2026 12:37:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.369897
- Title: Evolving Hybrid Quantum-Classical Architectures for Image Classification
- Title（参考訳）: 画像分類のためのハイブリッド量子古典アーキテクチャの進化
- Abstract要約: 自動量子回路発見のための進化的フレームワークEXAQCを画像分類に拡張する。
中間処理モジュールとしてのEXAQC PQCは、古典的な特徴抽出層と予測層を維持したままである。
MNIST、Fashion-MNIST、CIFAR-10では、それぞれ98.42%、90.62%、85.47%の精度を達成している。
- 参考スコア（独自算出の注目度）: 2.9631016562930537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid quantum classical neural networks integrate parameterized quantum circuits (PQCs) with established deep learning architectures, but their performance depends strongly on the choice of quantum circuit architecture, a choice that remains largely manual. Most existing approaches rely on hand-designed or fixed circuit ansätze, requiring circuit structure, gate composition, and qubit connectivity to be specified in advance with no guarantee that they suit the task. This limitation is especially acute in image classification, where quantum circuits must transform features extracted by classical networks while remaining compact enough for practical training, requirements that generic, task-agnostic ansätze are unlikely to satisfy simultaneously. We extend EXAQC, an evolutionary framework for automated quantum circuit discovery, to image classification. EXAQC evolves PQCs as intermediate processing modules while retaining classical feature-extraction and prediction layers. On MNIST, Fashion-MNIST, and CIFAR-10, EXAQC achieves 98.42%, 90.62%, and 85.47% accuracy, respectively, while using comparable gate counts to other quantum architecture-search methods. Against classical networks, evolved hybrid models maintain comparable accuracy with substantially fewer trainable parameters, reaching 85.68% on CIFAR-10 with over 25$\times$ fewer parameters than a 10-layer CNN. Encoding choice also matters: rotation-based encodings (RX, RY, U3) outperform amplitude encoding by 22-25 points on CIFAR-10. These results demonstrate that automated circuit discovery yields compact quantum modules that can replace larger classical components in vision architectures while retaining competitive accuracy.
- Abstract（参考訳）: ハイブリッド量子古典ニューラルネットワークは、パラメータ化量子回路(PQC)と確立されたディープラーニングアーキテクチャを統合するが、その性能は量子回路アーキテクチャの選択に大きく依存する。
既存のほとんどのアプローチは手動設計または固定回路アンセッツェに依存しており、回路構造、ゲート構成、およびキュービット接続を前もって指定する必要がある。
この制限は特に画像分類において急激であり、量子回路は古典的ネットワークによって抽出された特徴を変換しなければならないが、実際的な訓練には十分コンパクトでなければならない。
自動量子回路発見のための進化的フレームワークEXAQCを画像分類に拡張する。
EXAQCは、古典的な特徴抽出と予測層を維持しながら、PQCを中間処理モジュールとして進化させる。
MNIST、Fashion-MNIST、CIFAR-10では、EXAQCは98.42%、90.62%、85.47%の精度を達成している。
古典的ネットワークに対して、進化したハイブリッドモデルは、トレーニング可能なパラメータが大幅に少なく、CIFAR-10で85.68%に達し、25$\times$10層CNNよりも少ないパラメータが得られた。
ローテーションベースの符号化(RX, RY, U3)は、CIFAR-10上で22-25ポイントの振幅符号化より優れている。
これらの結果から、自動回路探索は、競争精度を維持しつつ、視覚アーキテクチャにおけるより大規模な古典的コンポーネントを置き換えることができるコンパクトな量子モジュールを生み出すことが示されている。
関連論文リスト
- Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices [2.6922241225158774]
フォトニック量子コンピューティングは、スケーラブルな量子機械学習のための有望なプラットフォームである。
既存のアプローチは、古典的な前処理、位相符号化、フォトニック回路構造の間の協調を考慮できない手動チューニングアーキテクチャに依存している。
本稿では,遺伝的アルゴリズムに基づく探索と学習可能な量子位相符号化を組み合わせたハイブリッドフォトニック量子古典モデルのためのニューラルネットワーク探索フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-21T07:35:59Z) - Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。
私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。
時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
論文 参考訳（メタデータ） (2026-05-07T13:04:09Z) - Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。
このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。
我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
論文 参考訳（メタデータ） (2026-01-29T14:29:21Z) - Regression of Functions by Quantum Neural Networks Circuits [41.09105068326236]
本研究では,回帰タスクの自動量子回路構築について検討する。
遺伝的アルゴリズムフレームワークを導入し、Reduceed Regressor QNNアーキテクチャを発見する。
論文 参考訳（メタデータ） (2025-12-23T01:58:03Z) - Quantum-Based Self-Attention Mechanism for Hardware-Aware Differentiable Quantum Architecture Search [21.477208706334608]
微分可能な量子アーキテクチャ探索のための量子ベースの自己認識(QBSA-DQAS)を提案する。
このフレームワークは、2段階の量子自己アテンションモジュールを使用しており、量子回路を通してアーキテクチャパラメータをマッピングすることでコンテキスト依存を計算している。
探索後の最適化段階は、回路の複雑さを低減するためにゲートの通勤、融合、除去を施す。
論文 参考訳（メタデータ） (2025-12-02T07:07:10Z) - 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 autoencoders for image classification [0.0]
量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。
本研究では,QAEを用いた新しい画像分類手法を提案する。
論文 参考訳（メタデータ） (2025-02-21T07:13:38Z) - Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
本稿では,変分回路の4層のみを用いて,効率的な分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。
我々の実験は、LCQHNNがMNIST、FashionMNIST、CIFAR-10データセットの100%、99.02%、85.55%の分類精度を達成することを示した。
論文 参考訳（メタデータ） (2024-12-03T00:37:11Z) - 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) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z)
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。