AIが解く世界の難問 · 量子物理・量子計算 · arXiv · 2026-10-22
量子層は視覚言語モデルに性能とセキュリティの利点をもたらすか
原題: Can Quantum Layers offer Performance and Security Advantages in Vision-Language Models?
LLaVA-OneVisionをバックボーンに、4および8量子ビットのbasic-ring回路と強エンタングル回路を、古典モデルへの挿入と古典部品の置換の各4位置で評価し、古典モデルと性能および計算コストを比較した。Visual Spatial Reasoningデータセットでは、視覚プロジェクタ後への量子層の挿入が開発精度80.7%に達して古典のフルファインチューニングを2.28ポイント上回り、最終デコーダのfeed-forwardサブ層の置換では79.22%の精度を維持しつつ学習可能パラメータを1307万削減した。一方で効果は挿入・置換位置に強く依存し、早期の置換は精度を下げ、パラメータ削減が訓練や計算の短縮に確実につながるわけではなく、6つの攻撃設定でのロバスト性評価を経ても、利得が一般化するかは未解明のままである。