量子強化LSTMを用いた高エネルギー物理（HEP）向けフェデレーテッドラーニング
arXiv cs.LG / 2026/4/20
📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research
要点
- 本論文は、高エネルギー物理（HEP）におけるフェデレーテッドラーニングとして、ハイブリッド量子-古典LSTM（QLSTM）で分散ノード間の学習を行う枠組みを提案している。
- QLSTMは、量子モデルで特徴空間内の複雑な関係を捉えつつ、LSTM成分でデータ点間の相関を学習するよう設計されている。
- 現在のNISQ（ノイズのある中規模量子）デバイスの計算能力とコストの制約を踏まえ、提案手法はフェデレーテッドラーニングにより量子学習の負荷をローカルサーバへ分散し、スタンドアロン量子実行への依存を減らしている。
- 5M行のSupersymmetry（SUSY）分類タスクでの実験では、VQCベースの既存QML手法のいくつかより良い結果となり、古典的な深層学習ベンチマークともおおむね同等（約±1%）だと報告している。
- また、パラメータ数は300未満で、約20Kデータ点で同等性能に到達できるとしており、比較したベースラインに対してデータ/計算資源効率が約100倍向上したと主張している。
