慢性腎臓病のためのハイブリッド量子ニューラルネットワークに関する設計空間探索

arXiv cs.LG / 2026/4/16

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文では、ハイブリッド量子ニューラルネットワーク（HQNN）の主要な設計パラメータ――古典から量子への符号化、回路アーキテクチャ、測定戦略、ショット設定――が慢性腎臓病（CKD）診断の性能にどのように影響するかを検討する。
10分割層化交差検証による頑健な評価を行い、5種類の符号化、5種類のエンタングルメント・アーキテクチャ、5種類の測定戦略、5種類のショット構成の組み合わせからなる625種類のHQNNモデル変種をベンチマークする。
結果から、符号化の選択と回路アーキテクチャとの間に強く非自明な相互作用があることが示される。これは、高い精度が、大規模または複雑な回路ではなく、コンパクトなモデルから得られる可能性を示唆する。
著者らは、IQP符号化とRingエンタングルメントのような特定の組み合わせにより、精度・頑健性・効率のバランスを取りつつ、効率的な最良のトレードオフが達成できると報告している。
指標に基づく比較にとどまらず、本研究は、異なるHQNN設計次元が学習挙動に与える影響についての解釈的な洞察を提供し、今後のHQNN開発に向けた実践的な指針を与える。

Abstract

ハイブリッド量子ニューラルネットワーク（HQNNs）は、近期の量子機械学習に向けた有望なパラダイムとして近年注目を集めている。しかし、その実用的な性能は、古典から量子へのデータ符号化、量子回路のアーキテクチャ、測定戦略、ショット数などの設計上の選択に強く依存する。本論文では、慢性腎臓病（CKD）診断に向けたHQNNの包括的な設計空間探索を提示する。慎重に厳選し前処理を施した臨床データセットを用いて、5つの符号化方式、5つのエンタングルメント（絡み合い）アーキテクチャ、5つの測定戦略、そして5つの異なるショット設定を組み合わせることで得られる625種類の異なるHQNNモデルをベンチマークする。公平で頑健な評価を行うために、すべてのモデルを10-foldの層化交差検証で学習し、精度、曲線下面積（AUC）、F1スコア、複合的な性能スコアを含む包括的な指標の集合を用いてテストセットで評価する。結果は、符号化の選択と回路アーキテクチャの間に強く、かつ自明ではない相互作用があることを示しており、高い性能が必ずしも大きなパラメータ数や複雑な回路を必要としないことがわかる。特に、適切な符号化（例：リング・エンタングルメントを伴うIQP）と組み合わせたコンパクトなアーキテクチャが、精度、頑健性、効率の最良のトレードオフを達成できることを見いだした。絶対性能の分析にとどまらず、HQNNにおいて異なる設計次元が学習挙動にどのように影響するかについて、実行可能な洞察も併せて提供する。