論文の概要: Empirical Scaling Laws of Quantum Vision Transformers

• arxiv url: http://arxiv.org/abs/2610.13970v1
• Date: Sun, 13 Sep 2026 22:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:42:14.042513
• Title: Empirical Scaling Laws of Quantum Vision Transformers
• Title（参考訳）: 量子ビジョン変換器の実証スケーリング法則
• Abstract要約: 量子ビジョン変換器(QViT)のスケーリング法則について検討する。 QViTが古典モデルに類似したスケーリング挙動を示すかどうかを問う。 量子ビット数が増加すると、従来のエンコーダのパラメータが少なくなる。
• 参考スコア（独自算出の注目度）: 34.88831061188032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning (QML) is a promising application of quantum computing, yet when and how practical learning models can achieve quantum advantage remains poorly understood. Even a polynomial improvement in the resources needed to attain a given predictive performance would be significant. In this work, we investigate empirical scaling laws of quantum vision transformers (QViTs), which connect QML to the transformer architecture underlying modern large language models. We ask whether QViTs exhibit scaling behavior analogous to classical models and how this behavior changes when qubit number is included alongside dataset size and model parameters. The validation losses in our numerical image-classification experiments are well described by a joint shifted power-law model in qubit number, transformer depth, and training dataset size. Expressing this fit in terms of the classical encoder parameter budget identifies a regime in which increasing the number of qubits can compensate for fewer classical encoder parameters at comparable predicted performance. This finding is consistent with earlier observations of parameter efficiency in quantum learning models and suggests a direction for exploring possible resource savings in QML.
• Abstract（参考訳）: 量子機械学習(QML)は量子コンピューティングの有望な応用である。 特定の予測性能を達成するのに必要な資源の多項式改善でさえ重要である。 本研究では、量子ビジョン変換器(QViT)の実験的スケーリング法則について検討し、QMLを現代の大規模言語モデルの基礎となるトランスフォーマーアーキテクチャに接続する。 従来のモデルと類似したスケーリング動作を示すQViTと、データセットのサイズやモデルパラメータとともにキュービット数を含めると、この挙動がどのように変化するのかを問う。 数値画像分類実験における検証損失は, 量子ビット数, 変圧器深さ, トレーニングデータセットサイズにおける共同シフトパワーローモデルによりよく説明できる。 古典的エンコーダパラメータ予算の観点でこれを表現することで、量子ビットの数が増加すると、同等の性能で古典的エンコーダパラメータの減少を補うことができる状態が特定される。 この発見は、量子学習モデルにおけるパラメータ効率の以前の観測と一致しており、QMLにおけるリソース節約の可能性を探るための方向を示唆している。

関連論文リスト

• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• QUIVER: Quantum-Informed Views for Enhanced Representations in Large ML Models [0.0]
  我々は、量子フィッシャービューで古典的なデータ駆動機能を強化するパラダイムであるQUIVERを紹介する。 QUIVERは2つのベンチマークデータセットの標準的なパフォーマンス指標を、非常に異なる分野から改善することを示した。
  論文  参考訳（メタデータ） (2026-06-01T18:50:28Z)
• Efficient State Preparation for Quantum Machine Learning [0.8609132348927196]
  本稿では,量子システムの行列積状態表現について紹介する。 所望の状態を符号化する回路の構築にどのように使用されるかを示す。 この符号化は分類精度を損なうことなく、古典的敵攻撃に対する堅牢性を高めている。
  論文  参考訳（メタデータ） (2026-01-14T10:43:50Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
  量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。 この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-17T16:04:04Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• 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)
• Reflection Equivariant Quantum Neural Networks for Enhanced Image Classification [0.7232471205719458]
  我々は、データに固有の対称性を明示的に尊重する新しい機械学習モデル、いわゆる幾何量子機械学習(GQML)を構築した。 これらのネットワークは、複雑な実世界の画像データセットに対する一般的なアンサーゼを一貫して、そして著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-12-01T04:10:26Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。