論文の概要: Q-Capsule: A Localized Capsule-Based Quantum Neural Architecture for Barren Plateau Mitigation

• arxiv url: http://arxiv.org/abs/2610.11261v1
• Date: Thu, 08 Oct 2026 05:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.81284
• Title: Q-Capsule: A Localized Capsule-Based Quantum Neural Architecture for Barren Plateau Mitigation
• Title（参考訳）: Qカプセル:バレンプラトー除去のための局所カプセルベース量子ニューラルアーキテクチャ
• Abstract要約: 本稿では,カプセル型量子ニューラルアーキテクチャであるQ-Capsuleを提案する。 Q-Capsuleは局所量子表現間の通信を維持しながら勾配信号を保存する。 その適応政策は2進分類で98.1%の精度、4等分類で97.7%の精度を達成している。
• 参考スコア（独自算出の注目度）: 5.023922626173892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational quantum algorithms are often limited by barren plateaus: gradients vanish as circuit size and depth increase, making quantum neural networks difficult to train. We propose Q-Capsule, a localized capsule-based quantum neural architecture that mitigates this problem through register partitioning, local readout, sparse inter-capsule coupling, trainable data re-uploading, and Quantum Fisher Information Matrix (QFIM)-guided adaptive depth growth. By restricting the dominant support of each observable to a small capsule and controlling inter-capsule entanglement, Q-Capsule preserves useful gradient signals while retaining communication between local quantum representations. As the register width increases, Q-Capsule consistently maintains stable gradient variance, whereas globally entangling baselines exhibit exponential suppression with a log-gradient-variance slope near -ln 2 per qubit. Q-Capsule also produces more structured optimization landscapes, higher parameter efficiency, improved robustness to depolarizing noise, and lower measurement requirements. Its adaptive policy achieves 98.1% accuracy on binary classification and 97.7% on four-class classification, while using approximately 73% fewer two-qubit gates than the fixed-deep model on the multiclass task.
• Abstract（参考訳）: 回路サイズと深さが増加するにつれて勾配が消え、量子ニューラルネットワークのトレーニングが困難になる。 我々は、レジスタ分割、局所読み出し、スパース間結合、トレーニング可能なデータ再アップロード、量子フィッシャー情報マトリックス(QFIM)誘導適応深度成長を通じてこの問題を緩和する、ローカルカプセルベースの量子ニューラルネットワークアーキテクチャであるQ-Capsuleを提案する。 小さなカプセルへの観測可能な各支持を制限し、カプセル間の絡み合いを制御することで、Qカプセルは局所的な量子表現間の通信を維持しながら有用な勾配信号を保持する。 レジスタ幅が大きくなるにつれて、Q-Capsule は安定な勾配分散を維持し、一方、グローバルな絡み合うベースラインは、クォービット当たりの−ln 2 に近い対数勾配の勾配で指数的に抑圧される。 Q-Capsuleは、より構造化された最適化ランドスケープ、より高いパラメータ効率、ノイズの偏極化に対するロバスト性の改善、測定要求の低減も実現している。 適応的なポリシーは2進分類では98.1%、4等分類では97.7%の精度を達成し、マルチクラスのタスクでは固定深度モデルよりも約73%少ない2キュービットゲートを使用する。

関連論文リスト

• Scalable Quantum Reservoir Computing over Distributed Quantum Architectures [0.21108097398435335]
  貯留層コンピューティングは、時間を通してバックプロパゲーションの一般的な問題を克服し、単純な読み出し層のみをトレーニングすることで、リカレントニューラルネットワークの代替手段を提供する。 単層または複数(分散)の貯水池と単層または複数(分散)のリッジ・レグレス・リードアウト・レイヤを組み合わせた4つの異なるアーキテクチャを探索し、ベンチマークする。 その結果,平均絶対誤差 (MAE) と平均二乗誤差 (RMSE) を78.8%, 72.3%に削減することにより, 量子化による予測精度の向上が図られた。
  論文  参考訳（メタデータ） (2026-05-06T14:50:19Z)
• QB-LIF: Learnable-Scale Quantized Burst Neurons for Efficient SNNs [18.0608697536269]
  量子化されたBurst-LIFニューロンは、学習可能なスケールで膜電位の飽和均一な量子化としてバーストスパイクを再構成する。 QB-LIFはバイナリと固定バーストSNNを一貫して上回り、超低レイテンシで高い精度を達成する。
  論文  参考訳（メタデータ） (2026-04-28T14:18:53Z)
• Scaling Laws for Hybrid Quantum Neural Networks: Depth, Width, and Quantum-Centric Diagnostics [2.2133667529581933]
  ハイブリッド量子ニューラルネットワークは、分類のためにますます研究されている。 回路深度と量子ビット数によるその性能と量子的挙動のスケールは、まだ不明である。 本稿では、2つの軸に沿ったハイブリッド量子古典型分類器の制御スケーリングについて述べる。
  論文  参考訳（メタデータ） (2026-04-07T15:44:30Z)
• 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)
• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
  量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。 量子回路を局所的に近似する有接サロゲートqtDNNを導入する。 我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
  論文  参考訳（メタデータ） (2025-03-12T07:12:02Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• 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)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Mode connectivity in the loss landscape of parameterized quantum circuits [1.7546369508217283]
  パラメータ化量子回路(PQC)の変分訓練は、近時雑音型中間スケール量子(NISQ)デバイスに多く採用されている。 PQCトレーニングにおける損失ランドスケープの特徴を研究するために、引用したraxler 2018essentiallyで使用されるコネクティビティの視覚化とテストを行うために、citegoodfellowqualitatively,li 2017で導入されたニューラルネットワークの定性的な損失ランドスケープのキャラクタリゼーションを適用した。
  論文  参考訳（メタデータ） (2021-11-09T18:28:46Z)
• 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。