Fugu-MT 論文翻訳(概要): Post-Selection-Free Quantum Automated Learning

論文の概要: Post-Selection-Free Quantum Automated Learning

arxiv url: http://arxiv.org/abs/2610.08219v1
Date: Tue, 06 Oct 2026 12:10:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:29.971858
Title: Post-Selection-Free Quantum Automated Learning
Title（参考訳）: 選択後自由量子自動学習
Abstract要約: 完全学習経路をコヒーレントな量子回路に構成する選択自由QALアルゴリズムを開発した。出力誤差と学習損失に関する理論的保証を提供し、余分なコヒーレントな資源が故障した軌道を再開するコストを低減させる条件を特定する。
参考スコア（独自算出の注目度）: 8.143791100760435
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum automated learning (QAL) trains quantum models by directly updating quantum states, offering an approach to quantum machine learning that avoids optimizing variational circuit parameters. However, post-selection constrains the probability of obtaining the final learned model. We develop a post-selection-free QAL algorithm that organizes a complete training path into a coherent quantum circuit and uses fixed-point amplitude amplification to increase the probability of obtaining the learned model. We provide theoretical guarantees on output error and learning loss, and identify conditions under which additional coherent resources reduce the cost of restarting failed trajectories. The construction gives QAL a coherent implementation with explicit learning guarantees and resource costs, enabling a model with certified learning quality and controlled output error to be obtained with high probability.
Abstract（参考訳）: 量子自動学習(QAL)は量子状態を直接更新することで量子モデルをトレーニングし、変動回路パラメータの最適化を避ける量子機械学習へのアプローチを提供する。しかし、選択後、最終学習モデルを得る確率は制限される。本研究では,完全学習経路をコヒーレント量子回路に整理し,定点振幅増幅を用いて学習モデルを得る確率を向上する,選択後自由QALアルゴリズムを開発した。出力誤差と学習損失に関する理論的保証を提供し、余分なコヒーレントな資源が故障した軌道を再開するコストを低減させる条件を特定する。この構築により、QALは、明示的な学習保証とリソースコストを備えたコヒーレントな実装を提供し、認定された学習品質と制御された出力誤差のモデルが高い確率で得られるようにする。

関連論文リスト

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)
Scalable Quantum Error Mitigation with Neighbor-Informed Learning [16.56662295818668]
我々は,汎用的でスケーラブルな量子エラー軽減フレームワークであるNILを導入する。 NILは、その構造的に関連する隣人の回路のノイズ出力から、ターゲット量子回路の理想的な出力を予測することを学ぶ。機械学習モデルのためのトレーニングデータを生成する2設計のトレーニング手法が重要なイノベーションである。
論文参考訳（メタデータ） (2025-12-14T07:07:48Z)
Compilation-informed probabilistic quantum error cancellation [2.079863206645103]
本稿では,回路,QEC符号,およびコンパイラに依存しない論理ゲートノイズに対する量子エラー緩和方式を提案する。最大回路サイズとQEC符号距離は目標精度とは独立であり、QECのみに基づく戦略とは対照的である。提案手法は,高精度推定のための量子リソース要件を著しく低減し,高精度非依存オーバーヘッドを伴うフォールトトレラント量子計算への実用的な経路を提供する。
論文参考訳（メタデータ） (2025-08-27T18:00:10Z)
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)
RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文参考訳（メタデータ） (2025-06-04T08:30:35Z)
Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-05-24T02:51:34Z)
Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
論文参考訳（メタデータ） (2025-04-29T14:10:10Z)
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)
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)
Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文参考訳（メタデータ） (2023-04-04T12:47:35Z)
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)

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。