論文の概要: QTN-RQNN: Quantum Tensor Network-Based Recurrent Quantum Neural Network
- arxiv url: http://arxiv.org/abs/2610.13694v1
- Date: Fri, 09 Oct 2026 14:56:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.647327
- Title: QTN-RQNN: Quantum Tensor Network-Based Recurrent Quantum Neural Network
- Title（参考訳）: QTN-RQNN:量子テンソルネットワークに基づくリカレント量子ニューラルネットワーク
- Abstract要約: リソースの制約と不完全な量子演算は、量子機械学習の主要な課題である。
本研究では,量子ネットワークに基づくリカレント量子ニューラルネットワークQTN-RQNNを提案する。
QTN-RQNNは、繰り返しステップ間で量子メモリを伝播しながら入力機能を符号化する。
- 参考スコア（独自算出の注目度）: 0.8127745323109788
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Resource constraints and imperfect quantum operations remain major challenges for quantum machine learning (QML) on noisy intermediate-scale quantum (NISQ) devices, particularly for fault-diagnosis tasks involving imbalanced and heterogeneous data. This work proposes QTN-RQNN, a Quantum Tensor Network-Based Recurrent Quantum Neural Network that integrates tensor-network-inspired nearest-neighbor interactions with recurrent quantum processing. The model sequentially encodes input features while propagating quantum memory across recurrent steps and incorporates QSMOTE for class balancing. QTN-RQNN is evaluated on four heterogeneous fault-diagnosis datasets SPID, CWRUBD, EFDD, and SFDD and compared with QNN, QTN-QNN, and RQNN baselines through classification, ablation, multi-seed, convergence, and quantum-resource analyses. Results show dataset-dependent predictive behavior, indicating that increased quantum architectural complexity does not universally improve classification. On SPID, QTN-RQNN improves the RQNN F1-score from 0.3077 to 0.4516 and ROC-AUC from 0.4485 to 0.6970, while the remaining datasets exhibit different performance-resource trade-offs and sensitivity to recurrent timesteps and circuit depth. Across all datasets, QTN-RQNN reduces the two-qubit-gate count from 32 to 24 per sample relative to RQNN, corresponding to a 25% reduction without increasing the four-qubit requirement; the same relative reduction is obtained for QTN-QNN over QNN. These findings establish QTN-RQNN as a resource-conscious recurrent quantum architecture and highlight the need to jointly consider predictive performance and circuit-resource requirements for near-term quantum fault diagnosis.
- Abstract（参考訳）: 資源制約と不完全な量子演算は、ノイズの多い中間スケール量子(NISQ)デバイスにおける量子機械学習(QML)の主要な課題であり、特に不均衡データと不均一データを含む故障診断タスクである。
本研究では,量子テンソルネットワークに基づく量子ニューラルネットワークQTN-RQNNを提案する。
このモデルは、繰り返しステップ間で量子メモリを伝播しながら入力機能を逐次エンコードし、クラスバランシングにQSMOTEを組み込む。
QTN-RQNNはSPID, CWRUBD, EFDD, SFDDの4つの異種故障診断データセットを用いて評価し, QNN, QTN-QNN, RQNNのベースラインを分類, アブレーション, マルチシード, 収束, 量子リソース分析により比較した。
その結果、データセットに依存した予測行動が示され、量子アーキテクチャの複雑さの増大は分類を普遍的に改善しないことが示された。
SPIDでは、QTN-RQNNはRQNN F1スコアを0.3077から0.4516に改善し、OC-AUCは0.4485から0.6970に改善した。
すべてのデータセットにおいて、QTN-RQNNは、QNN上のQTN-QNNに対して、QQNN上のQTN-QNNに対して、QTN-RQNNと同じ相対的な還元値を得ることなく、RQNNに対するサンプル当たり32から24に減少する。
これらの知見は、QTN-RQNNをリソース意識のリカレント量子アーキテクチャとして確立し、短期量子障害診断のための予測性能と回路リソース要件を共同で検討する必要性を強調した。
関連論文リスト
- On Embedding Design in Quantum Physics-Informed Neural Networks [1.7887197093662073]
量子物理学インフォームドニューラルネットワーク(QPINN)は、物理に基づく残留物に対するパラメータ化量子回路のトレーニングにより偏微分方程式(PDE)を解く。
可変回路で利用可能な特徴表現を形作る機能変換として埋め込みを定式化する統合埋め込みフレームワークを導入する。
論文 参考訳（メタデータ） (2026-09-27T16:00:50Z) - QSVM-RQNN: Low-Qubit Recurrent Quantum Similarity Learning for Condition Monitoring and Fault Classification [0.5505634045241289]
既存の量子ニューラルネットワーク(QNN)と量子畳み込みニューラルネットワーク(QCNN)アーキテクチャは、入力次元が大きくなるにつれて量子資源の増加を必要とすることが多い。
故障分類のためのQSVM-RQNNを提案する。このQSVMは,Centroid-based Quantum Support Vector Machine(QSVM)とRecurrent Quantum Neural Networks(RQNN)の類似性学習を統合した低キュービットフレームワークである。
論文 参考訳（メタデータ） (2026-08-10T14:28:42Z) - Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。
QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
論文 参考訳（メタデータ） (2026-01-06T09:58:14Z) - Quantum Machine Learning for UAV Swarm Intrusion Detection [25.52804434998647]
UAV群における侵入検知は、高移動量、非定常交通、重度の階級不均衡によって複雑である。
量子カーネル、変分量子ニューラルネットワーク(QNN)、ハイブリッド量子学習ニューラルネットワーク(QT-NN)の3つのアプローチをベンチマークする。
すべてのモデルは8機能フロー表現を消費し、同じ前処理、バランス、ノイズモデル仮定の下で評価される。
量子カーネルとQT-NNは低データ、非線形なレジームで優れており、QNNはトレーニング容易性の問題に悩まされている。
論文 参考訳（メタデータ） (2025-09-01T22:36:30Z) - Benchmarking Quantum Convolutional Neural Networks for Classification and Data Compression Tasks [0.4379805041989628]
量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習タスクの有望なモデルとして登場した。
本稿では,量子基底状態の位相を分類するハードウェア効率アンサッツ(HEA)と比較してQCNNの性能について検討する。
論文 参考訳（メタデータ） (2024-11-20T17:17:09Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Theoretical Error Performance Analysis for Variational Quantum Circuit
Based Functional Regression [83.79664725059877]
本研究では,次元減少と機能回帰のためのエンドツーエンドの量子ニューラルネットワークであるTTN-VQCを提案する。
また,polyak-Lojasiewicz (PL) 条件を利用してTTN-VQCの最適化特性を特徴付ける。
論文 参考訳（メタデータ） (2022-06-08T06:54:07Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - Implementation of quantum stochastic walks for function approximation,
two-dimensional data classification, and sequence classification [0.0]
本稿では,グラフ上の量子ウォークに基づく量子ニューラルネットワークについて検討し,勾配勾配を用いてネットワークパラメータを更新する。
5つのニューロンを持つ単純なQSNNは、単語列が文であるか否かを判断するために訓練され、QSNNがトレーニングステップ数を削減できることがわかった。
論文 参考訳（メタデータ） (2021-03-04T13:29:38Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳（メタデータ） (2020-11-12T08:32:04Z) - 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。