論文の概要: Engineered Learning Problems on Noisy Quantum Processors

• arxiv url: http://arxiv.org/abs/2610.41848v1
• Date: Fri, 30 Oct 2026 15:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.781462
• Title: Engineered Learning Problems on Noisy Quantum Processors
• Title（参考訳）: ノイズ量子プロセッサの工学的学習問題
• Abstract要約: 工学的分類問題における古典的手法よりも,n=15,30$,45$の量子カーネルを用いて,有意な性能差を示す。 また,ハードウェアの性能向上と古典的難易度の向上により,このギャップを緩和できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite quantum machine learning being an active topic of research, demonstrations of algorithms run on quantum hardware beating classical methods remain rare. In this work, we demonstrate a significant performance gap using a projected quantum kernel for $n=15,30$ and $45$ qubits over classical methods on an engineered classification problem, and show reproducibility of the results over different quantum processor units. We also demonstrate how error mitigation can widen this gap, both by improving hardware performance but also by increasing the classical difficulty, with different techniques contributing unequally to these phenomena. This work provides strong evidence that superior empirical performance of quantum hardware over all classical techniques is an achievable goal in quantum machine learning, albeit for an artificial problem. However, as with any application relying on observables, beating state-of-the-art simulation methods remains the primary challenge, as our matrix product state results here show.
• Abstract（参考訳）: 量子機械学習が研究の活発なトピックであるにもかかわらず、量子ハードウェア上で実行されるアルゴリズムの実証が古典的な手法を打つことは稀である。 そこで本研究では,従来の分類問題に対して,量子カーネルを$n=15,30$および$45$の量子ビットに対して有意な性能差を示すとともに,異なる量子プロセッサユニット上での結果の再現性を示す。 また,ハードウェア性能の向上と古典的難易度の向上により,誤差低減がこのギャップを拡大することを示す。 この研究は、量子ハードウェアのすべての古典的技術よりも優れた経験的性能が、人工的な問題ではなく、量子機械学習における達成可能な目標であることを示す強力な証拠を提供する。 しかしながら、オブザーバブルに依存するどのアプリケーションもそうであるように、我々の行列製品状態の結果が示すように、最先端のシミュレーション手法を破ることが大きな課題である。

関連論文リスト

• Quantum and classical processing with photonic quantum machine learning [0.0]
  近年の研究では、深い量子状態下での物理システムにおける機械学習の実装は、より高速な情報処理だけでなく、古典的なシステムでは到達できないタスクの実行にも繋がることが示されている。 本稿では、量子および古典的機械学習タスクの両方を実行する量子貯水池処理装置について報告する。
  論文  参考訳（メタデータ） (2026-05-11T12:34:50Z)
• Enabling large-scale digital quantum simulations with superconducting qubits [0.0]
  デジタル量子シミュレーションは、量子化学、凝縮物質物理学、材料科学などの分野を変換することができる。 フォールトトレラントな量子コンピュータの長期的解は、主に量子ビット数のオーバーヘッドのために、自分自身の誤りを正すことはできない。 この論文は、完全な計算スタックにまたがる量子シミュレーションを進める方法を探究することによって、このより広範な努力に寄与する。
  論文  参考訳（メタデータ） (2026-02-04T16:29:55Z)
• Quantum-Classical Separation in Bounded-Resource Tasks Arising from Measurement Contextuality [107.84586711462556]
  量子テクスチュアリティは、古典的限界を超えた成功確率で特定のタスクを実行できることを示す。 本研究は,文脈性に基づくアルゴリズムを用いて量子プロセッサをベンチマークする方法を提案する。
  論文  参考訳（メタデータ） (2025-12-01T23:54:32Z)
• Digital quantum simulation of many-body systems: Making the most of intermediate-scale, noisy quantum computers [51.56484100374058]
  この論文は量子デバイス上の量子力学をシミュレートすることを中心にしている。 本稿では,量子力学における最も関連性の高い量子アルゴリズムの概要を紹介する。 近い将来に量子シミュレーションの恩恵を受けることができる量子力学における関連する問題を同定する。
  論文  参考訳（メタデータ） (2025-08-29T10:37:19Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Machine learning on quantum experimental data toward solving quantum many-body problems [0.0]
  最大44量子ビットのシステムに対する古典的機械学習アルゴリズムの実装を成功例に示す。 我々は、多体物理学に関心のある問題に対するハイブリッドアプローチの適用性を拡張した。
  論文  参考訳（メタデータ） (2023-10-30T10:25:59Z)
• Machine Learning for Practical Quantum Error Mitigation [0.0]
  量子エラー軽減のための機械学習は、そのコストを大幅に削減することを示す。 本稿では,ML-QEMを用いて従来の緩和手法を模倣し,より優れた実行効率で拡張性を実現する方法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T16:17:12Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Quantum Phase Recognition via Quantum Kernel Methods [6.3286116342955845]
  本稿では,量子位相認識問題における量子学習アルゴリズムのパワーについて考察する。 我々は, 対称性保護位相と対称性破壊位相の認識を含む, 様々な問題に対して, アルゴリズムを数値的にベンチマークする。 本結果は,多粒子系における量子位相遷移の予測における量子機械学習の能力を強調した。
  論文  参考訳（メタデータ） (2021-11-15T06:17:52Z)
• An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
  小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。 量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
  論文  参考訳（メタデータ） (2020-05-06T14:18:44Z)

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。