Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Applied Reconfigurable Computing

NISQにおけるfidelityが処理時間へ与える影響の解析~古典-量子ハイブリッドアーキテクチャの実現に向けて~

松尾 脩平, Teruo Tanimoto, 川上 智志, 田渕 豊, 廣川 真男, 井上 弘士

Published Jun 4, 2019• 0 citations
OpenAlex

Related papers

最適な量子測定に基づく量子ニューラルネットワーク分類器の性能評価

優作 山田

最近の量子コンピュータの研究は,ノイズの影響を受けやすい,NISQデバイスと呼ばれる量子コンピュータの活用が研究されている.NISQデバイスは量子ニューラルネットワーク(以下,QNN)による,古典-量子アルゴリズムで応用されている.このアルゴリズムは教師あり分類問題において,4つのステップで構成されている.(1)古典データを量子状態に埋め込む回路を初期状態に作用させる.(2)パラメータに依存する回路を適用する.(3)Z基底測定で測定をする.(4)古典最適化アルゴリズムを用いて,最適なパラメータを見つけ,量子回路を更新する.その後,更新したパラメータでテストデータを分類する. 先行研究では,アルゴリズムのステップ(1)と(2)を重要視し,ヒューリスティックに回路を設計して量子優位性を主張している.先行研究で提案されていることは,2量子ビット間のエンタングルメント回路を取り入れることと,古典ニューラルネットワークのように,量子回路を繰り返すことである.このことによって量子優位性が得られ,教師あり分類問題に関して,本質的で重要な要素であることを主張している. 本研究は,先行研究の主張を受けて,次の2つのことを主張する.1つ目は,ヒューリスティックに構成されたエンタングルメントや回路の繰り返しは,分類問題において本質的でないこと.2つ目は,分類問題において本質的に重要なことは,任意の軸回りにおける測定の最適化をすることである.提案方法は,測定により得る古典データを分析する前に,量子状態に対して個別に任意の軸回りにパラメータ化された単一回転ゲートを作用させ,最適な測定を行うことである. 本研究で使用したデータは,人工的な2値分類データと実データのIris Data Setである.これらのデータにおいて,先行研究では,分類できないと主張されているような単純な回路でも,測定最適化をすることで分類精度が95%を超える結果が得られた.また,測定最適化した回路は,調査した全ての回路に対して分類精度が向上することが確認でき,最大で7%の分類精度から91%の分類精度への向上が見られた.さらに,測定最適化を行うことで,実データであるIris Data Setに対しても,先行研究のQNN分類器の分類精度と同等の分類精度93%の結果が得られた.測定最適化は,単一の量子ビットにしか作用されず,そのパラメータ数も量子ビットに対して線形にしか増えない.以上の結果と利点により,QNNの分類問題において本質的に重要なことは,測定の最適化であると主張する.

•Mar 24, 2023•0 citations

二次元古典ハイゼンベルク模型の低温に於ける振舞(「広領域の相転移物理学」研究会報告)

洋一 岩崎

物性研究•Oct 20, 1981•0 citations

古典-量子チャネル及び量子-量子チャネルにおけるデジタル変調方式の情報伝送効率

聖史 入山, 昇 渡邉, 雅則 大矢

Information technology newsletter•May 17, 1999•0 citations

「量子」と「古典」の境界はどこにあるのか?

会誌編集委員会

日本物理學會誌•Oct 5, 2016•0 citations

量子秘密パラメータモデルにおけるQCMAに対する古典証明者非対話ゼロ知識証明

亮真 河井

•Mar 1, 2025•0 citations

A-6-4 古典-量子通信におけるPolar符号の相互情報量の簡略化公式(A-6.情報理論,一般セッション)

直樹 岩田, 毅 臼田

電子情報通信学会ソサイエティ大会講演論文集•Sep 9, 2014•0 citations
最近の量子コンピュータの研究は,ノイズの影響を受けやすい,NISQデバイスと呼ばれる量子コンピュータの活用が研究されている.NISQデバイスは量子ニューラルネットワーク(以下,QNN)による,古典-量子アルゴリズムで応用されている.このアルゴリズムは教師あり分類問題において,4つのステップで構成されている.(1)古典データを量子状態に埋め込む回路を初期状態に作用させる.(2)パラメータに依存する回路を適用する.(3)Z基底測定で測定をする.(4)古典最適化アルゴリズムを用いて,最適なパラメータを見つけ,量子回路を更新する.その後,更新したパラメータでテストデータを分類する. 先行研究では,アルゴリズムのステップ(1)と(2)を重要視し,ヒューリスティックに回路を設計して量子優位性を主張している.先行研究で提案されていることは,2量子ビット間のエンタングルメント回路を取り入れることと,古典ニューラルネットワークのように,量子回路を繰り返すことである.このことによって量子優位性が得られ,教師あり分類問題に関して,本質的で重要な要素であることを主張している. 本研究は,先行研究の主張を受けて,次の2つのことを主張する.1つ目は,ヒューリスティックに構成されたエンタングルメントや回路の繰り返しは,分類問題において本質的でないこと.2つ目は,分類問題において本質的に重要なことは,任意の軸回りにおける測定の最適化をすることである.提案方法は,測定により得る古典データを分析する前に,量子状態に対して個別に任意の軸回りにパラメータ化された単一回転ゲートを作用させ,最適な測定を行うことである. 本研究で使用したデータは,人工的な2値分類データと実データのIris Data Setである.これらのデータにおいて,先行研究では,分類できないと主張されているような単純な回路でも,測定最適化をすることで分類精度が95%を超える結果が得られた.また,測定最適化した回路は,調査した全ての回路に対して分類精度が向上することが確認でき,最大で7%の分類精度から91%の分類精度への向上が見られた.さらに,測定最適化を行うことで,実データであるIris Data Setに対しても,先行研究のQNN分類器の分類精度と同等の分類精度93%の結果が得られた.測定最適化は,単一の量子ビットにしか作用されず,そのパラメータ数も量子ビットに対して線形にしか増えない.以上の結果と利点により,QNNの分類問題において本質的に重要なことは,測定の最適化であると主張する.