論文の概要: Can Quantum Layers offer Performance and Security Advantages in Vision-Language Models?

• arxiv url: http://arxiv.org/abs/2610.28964v1
• Date: Tue, 20 Oct 2026 22:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.154594
• Title: Can Quantum Layers offer Performance and Security Advantages in Vision-Language Models?
• Title（参考訳）: 量子層はビジョンランゲージモデルでパフォーマンスとセキュリティの利点を提供できるか?
• Abstract要約: 量子コンポーネントは、既存のAIシステムの能力を拡張することが期待されている。 我々は、古典的にシミュレートされた量子層を用いた視覚言語モデルに対するこの疑問に答えようと試みる。
• 参考スコア（独自算出の注目度）: 0.30938904602244355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As quantum computing moves from the noisy intermediate-scale quantum (NISQ) era toward early fault-tolerant quantum computing (EFTQC), quantum-enhanced AI is shifting from a conceptual idea to experimental research. Quantum components are expected to extend the capabilities of existing AI systems, yet it remains unclear how such components will help within large multimodal models. In this study, we try to answer that question for vision-language models (VLMs) using classically simulated quantum layers. With LLaVA-OneVision as the backbone, we evaluate 4- and 8-qubit basic-ring and strongly entangling circuits at four insertion and four replacement locations. Insertion adds quantum layers to the classical model, while replacement substitutes them for classical components. Using the same setup, we compare performance and computational cost between classical and quantum-classical hybrid models. On the Visual Spatial Reasoning dataset, inserting a quantum layer after the visual projector reaches 80.7% development accuracy, 2.28 percentage-points above classical full fine-tuning. Replacing the final decoder feed-forward sublayer retains 79.22% accuracy with 13.07 million fewer trainable parameters. Quantum insertion can thus improve accuracy, and selective replacement can reduce parameters. These benefits depend strongly on where the quantum layer is inserted or which classical component it replaces: earlier replacements lower accuracy, and fewer parameters do not reliably shorten training or reduce computation. To assess potential security benefits, we evaluated the robustness of quantum-classical hybrid models under six attack settings. Overall, our study maps where quantum layers help and hurt within VLMs, offering a starting point for hybrid VLM design; whether these gains generalize remains open. The code is available at https://github.com/TITANS-Lab-Artifacts/QuantumVLM.
• Abstract（参考訳）: 量子コンピューティングがノイズの多い中間スケール量子(NISQ)時代から早期フォールトトレラント量子コンピューティング(EFTQC)へと移行するにつれ、量子強化AIは概念概念から実験的研究へとシフトしつつある。 量子コンポーネントは、既存のAIシステムの能力を拡張することが期待されているが、そのようなコンポーネントが大規模なマルチモーダルモデルでどのように役立つのかは不明だ。 本研究では,古典的にシミュレートされた量子層を用いた視覚言語モデル(VLM)の解答を試みる。 LLaVA-OneVisionをバックボーンとし、4つの挿入と4つの置換位置で4ビットおよび8ビットのベーシックリングと強く絡み合う回路を評価した。 挿入は古典的なモデルに量子層を追加し、置換は古典的なコンポーネントに置き換える。 同じセットアップを用いて、古典的および量子古典的ハイブリッドモデルのパフォーマンスと計算コストを比較する。 ビジュアル空間推論データセットでは、ビジュアルプロジェクターが80.7%の開発精度に達し、古典的な完全な微調整よりも2.28ポイント高い量子層を挿入する。 最終デコーダフィードフォワードサブレイヤーの置き換えは、79.22%の精度を維持し、13.07万個のトレーニング可能なパラメータを減らしている。 これにより量子挿入は精度を向上させることができ、選択的置換はパラメータを減らすことができる。 これらの利点は量子層が挿入される場所や、どの古典的なコンポーネントが置き換えられるかに強く依存する。 潜在的なセキュリティ上の利点を評価するため,6つの攻撃条件下での量子古典ハイブリッドモデルのロバスト性を評価した。 全体として、我々の研究は、量子層がVLMの内部で役立ち、損傷する場所をマップし、ハイブリッドVLM設計の出発点を提供する。 コードはhttps://github.com/TITANS-Lab-Artifacts/QuantumVLMで公開されている。

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)
• RiverONE: Generating Knowledge-Intensive VLM by Simulated Quantum Machines [10.511025230975681]
  RiverONEは、量子キャリブレーションプロット理解のための軽量なビジョン言語モデルである。 我々は、シミュレーション量子計算を用いて、コンパクトな古典的AIシステムのための構造化パラメータを生成する。 約19億のパラメータを持つRiverOneは、量子キャリブレーションプロット理解タスクにおけるNVIDIA Ising 1の性能の少なくとも95%を達成している。
  論文  参考訳（メタデータ） (2026-06-29T08:44:11Z)
• Automatic De-Quantization of Quantum Programs Using Constant Propagation [42.89658025409898]
  すべての量子演算は費用がかかるため、短期的なアルゴリズムにおける量子リソースの使用を最小限に抑えることが重要である。 本研究では、量子演算を可能な限り古典計算に非量子化することに焦点を当てる。 量子古典的定数伝播のためのハイブリッド状態モデルを形式化し、オープンソースのMQT Coreツールで最適化を実装し、ベンチマーク回路上で評価する。
  論文  参考訳（メタデータ） (2026-05-21T19:21:11Z)
• Quantum feature-map learning with reduced resource overhead [0.0]
  解析的反復再構成(Q-FLAIR)による量子特徴マップ学習について紹介する。 Q-FLAIRは反復的特徴マップ回路構築における量子リソースオーバーヘッドを低減する。 我々は、実際のIBMデバイス上でわずか4時間で量子モデルをトレーニングし、全解像度のMNISTデータセットで90%を超える精度を達成した。
  論文  参考訳（メタデータ） (2025-10-03T18:00:00Z)
• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。 オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。 これらの特徴を5量子ビット量子状態にマッピングする。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QPMeL - Quantum-Aware Classically-Trained Embeddings via Projective Metric Learning [0.8656254015205943]
  量子極距離学習(QPMeL)を提案し,古典的モデルを用いて量子ビットの極形パラメータを学習する。 次に、$R_y$と$R_z$の浅いPQCを使って状態を作り、$ZZ(theta)$-gatesのトレーニング可能なレイヤで絡み合いを学習します。 QMeLアプローチと比較すると、QPMeLはゲート数と深さの1/2しか使用せず、3倍のマルチクラス分離を実現している。
  論文  参考訳（メタデータ） (2023-12-04T06:13:53Z)
• 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)
• QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity [13.152233840194473]
  本稿では,量子ニューラルネットワークQuClassiを提案する。 量子微分関数とハイブリッド量子古典設計により、QuClassiはデータを量子ビットでエンコードし、量子回路を生成し、最良の状態のために量子プラットフォームにプッシュする。
  論文  参考訳（メタデータ） (2021-03-21T05:28:37Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。