日本語タイトル#
量子長短期記憶ネットワークと微分可能なアーキテクチャ探索
英文タイトル#
Quantum Long Short-term Memory with Differentiable Architecture Search
日本語要約#
近年、量子計算と機械学習の進展は量子機械学習（QML）を生み出し、系列データから学ぶことへの関心が高まっています。 QLSTM のような量子再帰モデルは、時系列予測、自然言語処理、強化学習において有望です。しかし、効果的な変分量子回路（VQCs）を設計することは依然として難しく、通常は特定のタスクに依存します。この問題に対処するために、DiffQAS-QLSTM を提案します。これは、トレーニング中に VQC パラメータとアーキテクチャ選択の両方を最適化するエンドツーエンドの微分可能なフレームワークです。私たちの結果は、DiffQAS-QLSTM が手作りのベースラインを常に上回り、さまざまなテスト設定でより低い損失を達成することを示しています。このアプローチは、スケーラブルで適応可能な量子系列学習への扉を開きます。
英文要約#
Recent advances in quantum computing and machine learning have given rise to quantum machine learning (QML), with growing interest in learning from sequential data. Quantum recurrent models like QLSTM are promising for time-series prediction, NLP, and reinforcement learning. However, designing effective variational quantum circuits (VQCs) remains challenging and often task-specific. To address this, we propose DiffQAS-QLSTM, an end-to-end differentiable framework that optimizes both VQC parameters and architecture selection during training. Our results show that DiffQAS-QLSTM consistently outperforms handcrafted baselines, achieving lower loss across diverse test settings. This approach opens the door to scalable and adaptive quantum sequence learning.
文章ページ#
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを見る