AIが解く世界の難問 · 量子物理・量子計算 · arXiv · 2026-10-19
トポロジーを考慮した量子ニューラルネットワークの学習後構造剪定
原題: ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks
量子ニューラルネットワークを疎な結合のハードウェアに載せる際、精度を保ったまま2量子ビットゲート数、SWAP数、回路深さを減らす課題に取り組んだ。提案手法ConQUESTAは、学習後に剪定マスクを制約付きで探索し、各マスクを複数の結合トポロジーでトランスパイルして評価する。55%剪定時の平均リソース削減率は、乳がんデータで61.6%、Digits01で72.0%、Irisで82.2%に達した。