論文の概要: Physics-anchored residual quantum neural networks for cloud-cover parameterization

• arxiv url: http://arxiv.org/abs/2610.26279v1
• Date: Mon, 19 Oct 2026 12:33:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:07:55.797577
• Title: Physics-anchored residual quantum neural networks for cloud-cover parameterization
• Title（参考訳）: 物理計算による雲被覆パラメタライゼーションのための残留量子ニューラルネットワーク
• Abstract要約: 我々は,XR雲被覆推定値を保持するオフライン残差定式化について検討し,変換対象空間におけるロジットの補正を学習する。 6と8の入力設定で10のモデル変種を比較し、マッチした3つのレプリカと1回のレプリケーション1万のトレーニングサンプルを比較した。 残留QNNはまた、選択されたコンパクトな残留多層パーセプトロンをペアレプリケーション毎に上回った。
• 参考スコア（独自算出の注目度）: 4.977550224907199
• License:
• Abstract: Compact quantum neural networks have been explored for cloud-cover parameterization, but their predictive value depends on how physical knowledge is incorporated and which classical models provide the reference. We investigate an offline residual formulation that retains a fitted \XR\ cloud-cover estimate and learns a correction to its logit in transformed target space. Using released ICON/DYAMOND-derived data, we compare ten model variants in six- and eight-input settings, with three matched replicates and 10,000 training samples per replicate. All quantum circuits use local Z readout and noiseless exact expectation values. Under a common 30-epoch protocol, residual prediction reduced physical-space test mean squared error relative to direct QNN prediction by 54.3\% and 38.8\% for six-input XYZ and ZZXY circuits, and by 49.2\% and 38.9\% for their eight-input versions. Residual QNNs also outperformed the selected compact residual multilayer perceptron in every paired replicate. A larger, longer-trained Grundner-Q1 adaptation nevertheless achieved lower error: residual Q1 reached mean MSEs of 0.00778 and 0.00791, compared with 0.01124 and 0.01082 for residual XYZ. The results support residual prediction for compact simulated QNNs within the tested budget and establish a clear boundary set by stronger classical references. They do not establish computational quantum advantage or online climate-model skill.
• Abstract（参考訳）: 小型量子ニューラルネットワークは、クラウド被覆パラメータ化のために研究されてきたが、その予測値は、物理的な知識がどのように組み込まれ、どの古典的モデルが参照を提供するかによって異なる。 そこで本研究では, 雲被覆推定値の付値を保持するオフライン残差定式化について検討し, 変換対象空間におけるロジットの補正を学習する。 リリース済みのICON/DYAMONDデータを用いて、6と8の入力設定で10のモデル変種を比較し、3つの一致した複製と1回のレプリケーション1万のトレーニングサンプルを比較した。 すべての量子回路は局所的なZの読み出しとノイズのない正確な期待値を使用する。 30エポックプロトコルでは、6入力のXYZおよびZZXY回路では54.3\%、38.8\%の直接QNN予測では49.2\%、38.9\%の物理空間テスト平均二乗誤差が削減された。 残留QNNはまた、選択されたコンパクトな残留多層パーセプトロンをペアレプリケーション毎に上回った。 残留Q1は平均MSE 0.00778 および 0.00791 に達し、残留XYZ は 0.01124 と 0.01082 となった。 その結果、試験予算内でのコンパクトな模擬QNNの残差予測をサポートし、より強い古典的参照による明確な境界を確立することができる。 計算量子優位性やオンライン気候モデルスキルは確立していない。

関連論文リスト

• Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark [0.9106818059692908]
  イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。 この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。 CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
  論文  参考訳（メタデータ） (2026-08-26T15:32:44Z)
• Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration [5.2726003549534655]
  本稿では,ResNet-50バックボーン内に残余のサイドカーモジュールとして集積されたパラメータ化量子回路(PQCs)について検討した。 ベースライン, 量子サイドカーとフリーズインプットプロジェクション, バックボーン・グラディエント・トレーニングプロジェクションの量子サイドカー, アングルエンコーディングを回路計測結果と整合させる測定誘導変種を比較検討した。
  論文  参考訳（メタデータ） (2026-08-23T15:55:43Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Uncertainty estimation of machine learning spatial precipitation predictions from satellite data [3.8623569699070353]
  衛星データとゲージデータを機械学習と組み合わせることで、高解像度の降水データセットを生成する。 6つのアルゴリズムをベンチマークすることで、そのような推定を最適に行う方法のギャップに対処する。 本研究では,空間データ予測の不確かさを推定する機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-13T17:55:28Z)
• GHN-QAT: Training Graph Hypernetworks to Predict Quantization-Robust Parameters of Unseen Limited Precision Neural Networks [80.29667394618625]
  Graph Hypernetworks(GHN)は、さまざまな未知のCNNアーキテクチャのパラメータを驚くほど高い精度で予測することができる。 予備研究は、8ビットおよび4ビットの量子化CNNの量子化-ロバストパラメータの予測にGHNを使うことを検討した。 4ビットの量子化CNNのGHN予測パラメータの量子化精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2023-09-24T23:01:00Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Quantune: Post-training Quantization of Convolutional Neural Networks using Extreme Gradient Boosting for Fast Deployment [15.720551497037176]
  本稿では,量子化の構成の探索を高速化するために,Quantune という自動チューニングを提案する。 我々は、Quantuneが6つのCNNモデルに対して0.07 0.65%の精度で、量子化の探索時間を約36.5倍削減することを示した。
  論文  参考訳（メタデータ） (2022-02-10T14:05:02Z)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。