論文の概要: Quantum Knowledge Distillation: State-of-the-art, Applications and Open Problems

• arxiv url: http://arxiv.org/abs/2611.08461v1
• Date: Thu, 05 Nov 2026 18:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.62889
• Title: Quantum Knowledge Distillation: State-of-the-art, Applications and Open Problems
• Title（参考訳）: 量子知識蒸留の現状と応用とオープン問題
• Abstract要約: 量子に着想を得た手法は、古典的な量子計算をシミュレートする手法とは別々に議論される。 利点はタスクに依存し、アーキテクチャに依存しており、いくつかの研究は無視できる利得やパフォーマンスの低下さえ見出す。 制御されたベンチマーク、ノイズ認識学習、再現可能な評価、量子モデルと古典モデル間の効率的な転送の優先度を同定する。
• 参考スコア（独自算出の注目度）: 7.46763312208126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge distillation transfers predictions, representations, or other supervisory information between learning models and is increasingly investigated in quantum machine learning. Its applications extend beyond compression to cross-architecture transfer, circuit approximation, distributed learning, and classical deployment of models trained using quantum-derived supervision. This survey reviews these approaches using two complementary classification axes: teacher-student configuration and the role of quantum resources in the distillation process. Quantum-inspired methods are discussed separately from methods that simulate quantum computations classically or execute them on quantum hardware. We explain how measurement probabilities, expectation values, classical readouts, state overlaps, and circuit-level objectives support different transfer mechanisms. We then critically assess the presented results against baseline design, execution conditions, uncertainty, and resource costs. The evidence shows that distillation can improve selected quantum students, but benefits are task- and architecture-dependent, and several studies find negligible gains or even performance degradation. Evaluations on physical quantum hardware remain limited, with some testing individual quantum components rather than complete learning pipelines. Heterogeneous protocols and incomplete resource reporting prevent general conclusions about practical quantum advantage. We identify priorities for controlled benchmarking, noise-aware learning, reproducible evaluation, and efficient transfer between quantum and classical models.
• Abstract（参考訳）: 知識蒸留は、学習モデル間で予測、表現、その他の監督情報を伝達し、量子機械学習においてますます研究されている。 その応用は、圧縮を超えて、クロスアーキテクチャ転送、回路近似、分散学習、量子由来の監督によって訓練されたモデルの古典的な展開まで拡張される。 本研究は, これら2つの相補的分類軸を用いて, 蒸留プロセスにおける教師・学生構成と量子資源の役割について検討する。 量子に着想を得た方法は、量子計算を古典的にシミュレートしたり、量子ハードウェア上でそれらを実行したりする方法とは別々に議論される。 本稿では, 測定確率, 期待値, 古典的読み出し, 状態重なり, 回路レベルの目的が異なる転送機構をどのようにサポートするかを説明する。 そして,提案結果をベースライン設計,実行条件,不確実性,資源コストに対して批判的に評価する。 これらの証拠は、蒸留が選択された量子学生を改善できることを示しているが、利点はタスク依存とアーキテクチャ依存であり、いくつかの研究は無視できるゲインや性能劣化さえ見出す。 物理量子ハードウェアの評価は依然として限られており、完全な学習パイプラインではなく個々の量子コンポーネントをテストするものもある。 不均一なプロトコルと不完全なリソースレポートは、実用的な量子優位性に関する一般的な結論を妨げている。 制御されたベンチマーク、ノイズ認識学習、再現可能な評価、量子モデルと古典モデル間の効率的な転送の優先度を同定する。

関連論文リスト

• Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits [0.0]
  画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。 我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。 実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-17T12:28:33Z)
• Quantum Deep Learning: A Comprehensive Review [0.38707378748149973]
  量子ディープラーニング(QDL)は、ディープラーニングのコア機能を強化するために、量子リソースと量子インスパイアされたリソースの両方を使用することを探求する。 このレビューは、読者に専門的な文学を指導しながら、大学院生のためのチュートリアルのエントリーポイントとして機能する。
  論文  参考訳（メタデータ） (2026-02-26T15:58:38Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Learning unitaries with quantum statistical queries [0.0]
  量子統計的クエリからユニタリ演算子を学習するためのアルゴリズムをいくつか提案する。 量子統計的クエリを利用して、パウリ弦の部分集合上のユニタリのフーリエ質量を推定する。 量子統計クエリーは、様々なユニタリ学習タスクに統一的なフレームワークを提供することを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:56:07Z)
• 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)
• 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)
• Quantum correlation generation capability of experimental processes [5.552315676636436]
  EPRステアリングとベル非局所性は、量子力学によって予測される2つの異なる種類の相関を示す。 実験プロセスが量子相関を生成する能力は量子化可能であることを示す。 我々は,IBM Quantum Experience と Amazon Braket Rigetti の超伝導量子コンピュータ上での制御相演算と量子相関を生成する実験能力について検討した。
  論文  参考訳（メタデータ） (2023-04-30T02:22:56Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。