論文の概要: Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.12148v1
• Date: Thu, 08 Oct 2026 15:32:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.119559
• Title: Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
• Title（参考訳）: 金融時系列予測のための量子ニューラルネットワーク構成の大規模ベンチマーク
• Abstract要約: 本研究では,金融時系列予測のためのQNN構成の大規模比較評価を行う。 符号化方法、アンサッツ設計、量子ビット数、層深度、コスト関数のグリッドサーチにより、1,368の異なるモデル構成が得られる。 最高のパフォーマンスのQNN構成は、従来のBiLSTMベースラインよりも高いR2$スコア0.985を達成する。
• 参考スコア（独自算出の注目度）: 4.211510706776733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning, and quantum neural networks (QNNs) in particular, are advancing fields with growing potential. Although systematic comparisons of QNN configurations have been explored primarily for classification tasks, comparatively little attention has been given to regression problems, particularly financial time series forecasting. This study presents a large-scale systematic comparative evaluation of QNN component configurations for financial time series forecasting, using the GBP/USD spot exchange rate as a case study. A grid search across encoding methods, ansatz designs, qubit counts, layer depths, and cost functions yields 1,368 distinct model configurations, each evaluated in terms of prediction accuracy, computational cost, and convergence behaviour. The results reveal unique insights into how the choice of methods influences performance, such as that gate selection and arrangement are more critical to model success than raw parameter count, and that entanglement is a system-level property of the full circuit rather than solely at the ansatz level. The best-performing QNN configuration achieves an $R^2$ score of 0.985, outperforming a classical BiLSTM baseline. Additionally, the impact of real quantum hardware noise is assessed through execution on the IQM Emerald device, revealing that gate errors and decoherence represent a significant barrier to practical deployment, with gate selection and circuit depth identified as key determinants of hardware noise resilience. Overall, the findings provide practical architectural guidance for QNN design and establish a baseline characterisation of QNN noise sensitivity on near-term quantum devices.
• Abstract（参考訳）: 量子機械学習、特に量子ニューラルネットワーク(QNN)は、ポテンシャルが増大する分野を前進させている。 QNN構成の体系的な比較は、主に分類タスクのために検討されているが、回帰問題、特に財務時系列予測にはほとんど注目されていない。 本研究は、GBP/USDスポット交換率を用いて、金融時系列予測のためのQNN構成の大規模体系的比較評価を行う。 符号化方法、アンザッツ設計、量子ビット数、層深度、コスト関数のグリッドサーチにより、1,368の異なるモデル構成が得られ、それぞれが予測精度、計算コスト、収束挙動の点で評価される。 その結果、ゲート選択とアレンジメントが生パラメータ数よりも成功をモデル化するために重要であり、絡み合いはアンザッツレベルだけでなく、フル回路のシステムレベルの特性である、というような、メソッドの選択がパフォーマンスにどのように影響するかというユニークな洞察が浮かび上がっている。 最高のパフォーマンスのQNN構成は、従来のBiLSTMベースラインよりも高い$R^2$スコア0.985を達成する。 さらに、実際の量子ハードウェアノイズの影響は、IQM Emeraldデバイス上での実行を通じて評価され、ゲートエラーとデコヒーレンスが、ハードウェアノイズレジリエンスのキー決定因子としてゲート選択と回路深さが特定され、実用的デプロイメントにおける重要な障壁であることを明らかにした。 全体として、QNN設計のための実用的なアーキテクチャガイダンスを提供し、短期量子デバイスにおけるQNNノイズ感度のベースライン特性を確立する。

関連論文リスト

• Option Pricing on Noisy Intermediate-Scale Quantum Computers: A Quantum Neural Network Approach [0.0]
  量子ニューラルネットワーク(QNN)に基づくオプション価格設定のための完全量子アプローチを提案する。 我々は、現在利用可能な量子ハードウェア上で、そのような方法論の最初の実装の1つを提示する。 本実装では、複数の最先端量子プロセッサにまたがって評価された2量子QNNアーキテクチャを用いている。
  論文  参考訳（メタデータ） (2026-04-20T23:03:57Z)
• Closing the Loop: Resource-aware Hybrid NAS Guided by Analytical and Hardware-Calibrated Quantum Cost Modeling [2.5435687567731926]
  実際のデバイス上での量子回路のトレーニングには数千の回路実行が必要であり、現在のNISQデバイスでは現実的ではない。 実バックエンドキャリブレーションデータを用いて,量子ハードウェア資源を推定する解析的量子コストモデルを提案する。 本稿では,ハードウェアを意識したハイブリッドニューラルネットワーク検索フレームワークHyb-HANASについて述べる。
  論文  参考訳（メタデータ） (2026-02-28T12:34:23Z)
• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• 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)
• Comparative Performance Analysis of Quantum Machine Learning Architectures for Credit Card Fraud Detection [3.5418331252013897]
  本研究では3つのQML分類器の性能に異なる量子特徴写像とアンザッツ構成がどう影響するかを検討する。 VQCは引き続き強力な分類結果を示し、F1スコアは0.88であり、SQNNも有望な結果をもたらす。 対照的に、EQNNは、非標準化されたデータによってもたらされる課題を強調しながら、堅牢な結果を生み出すのに苦労している。
  論文  参考訳（メタデータ） (2024-12-27T04:17:34Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。