論文の概要: Supervised Learning with Quantum Hamiltonian Embeddings

• arxiv url: http://arxiv.org/abs/2610.26833v1
• Date: Mon, 19 Oct 2026 17:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 01:02:56.172236
• Title: Supervised Learning with Quantum Hamiltonian Embeddings
• Title（参考訳）: 量子ハミルトニアン埋め込みによる教師付き学習
• Abstract要約: 量子ハミルトニアン埋め込みでは、古典的なトレーニングデータセットを1つの有効パラメータ化されたハミルトニアンに符号化する。 推論は古典的に学習状態の古典的表現を用いて行うか、あるいは状態の量子的表現を用いて行うことができる。 ハミルトン埋め込みは、効率的な古典アルゴリズムの範囲を超えて仮説関数を実現できることを示す。
• 参考スコア（独自算出の注目度）: 2.2735133199372712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is widely regarded as a promising application in which quantum computing could offer a computational advantage. However, general quantum machine learning models with provable guarantees on performance, trainability, and efficient inference remain limited. In this work, we introduce quantum Hamiltonian embeddings, a supervised learning framework in which a classical training dataset is encoded into a single effective, parameterized Hamiltonian. Training optimizes the parameters of this data-dependent Hamiltonian, whose approximate ground state defines the classification rule. Once the ground state has been approximated using a quantum algorithm, inference can be performed either classically using a classical representation of the learned state, or with a quantum representation of the state. We establish efficient methods for gradient estimation and prove favorable generalization guarantees. Furthermore, under standard cryptographic assumptions, we show that Hamiltonian embeddings can realize hypothesis functions beyond the reach of efficient classical algorithms. We then demonstrate the framework at scale on IBM Heron processors using a standard benchmark dataset. Together, these results establish Hamiltonian embeddings as a new framework for quantum machine learning, combining theoretical guarantees with a path for experimental investigations at scale on quantum hardware.
• Abstract（参考訳）: 機械学習は、量子コンピューティングが計算上の優位性を提供する、有望なアプリケーションとして広く見なされている。 しかし、性能、トレーニング可能性、効率的な推論の保証が証明可能な一般的な量子機械学習モデルはまだ限られている。 本研究では,古典的学習データセットを1つの有効パラメータ化ハミルトンに符号化する教師あり学習フレームワークである量子ハミルトン埋め込みを紹介する。 トレーニングは、その近似基底状態が分類規則を定義するこのデータ依存ハミルトンのパラメータを最適化する。 基底状態が量子アルゴリズムで近似されると、古典的に学習状態の古典的表現または量子的状態の表現を用いて推論を行うことができる。 我々は、勾配推定の効率的な方法を確立し、良好な一般化保証を証明した。 さらに、標準的な暗号的仮定の下では、ハミルトン埋め込みは、効率的な古典的アルゴリズムの範囲を超えて仮説関数を実現できることを示す。 次に、標準ベンチマークデータセットを使用して、IBM Heronプロセッサ上で大規模にこのフレームワークを実演する。 これらの結果は、量子機械学習の新たなフレームワークとしてハミルトン埋め込みを確立し、理論的保証と量子ハードウェアに関する大規模な実験研究の経路を組み合わせる。

関連論文リスト

• Observation of Improved Accuracy over Classical Sparse Ground-State Solvers using a Quantum Computer [4.158044333915682]
  量子古典的ハイブリッドアルゴリズムは、純粋に古典的で既成の既成構成相互作用法より優れていることを示す。 IBM Heron R3プロセッサ上で動作するサンプルベースの量子対角化アルゴリズムは、同じタスクで成功する。
  論文  参考訳（メタデータ） (2026-03-03T20:11:28Z)
• Shallow-circuit Supervised Learning on a Quantum Processor [0.3276917305778521]
  線形ハミルトニアンの機械学習手法を用いることで,基本的な障害を克服できることを示す。 我々は,IBM Heron量子プロセッサの最大50キュービットを用いてベンチマークデータセット上で実験を行うことにより,提案手法の有効性と拡張性を実証した。
  論文  参考訳（メタデータ） (2026-01-06T18:26:53Z)
• Optimal and Robust In-situ Quantum Hamiltonian Learning through Parallelization [5.2946736439833595]
  ハミルトン学習は、正確な多体シミュレーションを推進し、量子デバイスの性能を改善し、量子強調センシングを可能にするための基盤となる。 そこで本研究では,クラマーラオ法とクラマーラオ法を併用したハミルトニアン学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-09T05:58:37Z)
• Quantum Machine Learning: Quantum Kernel Methods [0.0]
  カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。 量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。 データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
  論文  参考訳（メタデータ） (2024-05-02T23:45:29Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Provably efficient machine learning for quantum many-body problems [6.684752451476642]
  古典的機械学習アルゴリズムは、有限空間次元におけるギャップ付きハミルトニアンの基底状態特性を効率的に予測できることを証明した。 また、古典的MLアルゴリズムは、幅広い量子位相の物質を効率的に分類できることを示す。
  論文  参考訳（メタデータ） (2021-06-23T18:52:44Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。