ワンショット量子機械学習モデルの設計に関する考察：You Only Measure Once
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.20090v1 新発表：
要約：量子機械学習（QML）モデルは、従来、信頼できる予測を得るためにオブザーバブルの繰り返し測定（ショット）に依存しています。この多数のショット予算への依存は、推論コストと時間オーバーヘッドの増加につながり、量子ハードウェアへのアクセスがショット数に比例して課金されることが多いことから特に問題となります。本研究では、「You Only Measure Once (Yomo)」というシンプルながらも効果的な設計を提案します。これは、劇的に少ない測定回数（シングルショット体制まで）で正確な推論を実現します。Yomoは、パウリ期待値出力に確率集約メカニズムを置き換え、鋭い予測を促す損失関数を導入します。我々の理論的分析は、Yomoが期待値ベースのモデルに固有のショットスケーリングの限界を回避することを示しており、MNISTとCIFAR-10に関する実験では、Yomoが異なるショット予算において、また脱分極チャネルを用いたシミュレーション下においても、一貫してベースラインを上回ることが確認されました。Yomoは正確なシングルショット推論を可能にすることで、QML展開の経済的および計算コストを大幅に削減し、QMLの実用化への障壁を下げます。
原文（英語）を表示
Title (EN): You Only Measure Once: On Designing Single-Shot Quantum Machine Learning Models
arXiv:2509.20090v1 Announce Type: new
Abstract: Quantum machine learning (QML) models conventionally rely on repeated measurements (shots) of observables to obtain reliable predictions. This dependence on large shot budgets leads to high inference cost and time overhead, which is particularly problematic as quantum hardware access is typically priced proportionally to the number of shots. In this work we propose You Only Measure Once (Yomo), a simple yet effective design that achieves accurate inference with dramatically fewer measurements, down to the single-shot regime. Yomo replaces Pauli expectation-value outputs with a probability aggregation mechanism and introduces loss functions that encourage sharp predictions. Our theoretical analysis shows that Yomo avoids the shot-scaling limitations inherent to expectation-based models, and our experiments on MNIST and CIFAR-10 confirm that Yomo consistently outperforms baselines across different shot budgets and under simulations with depolarizing channels. By enabling accurate single-shot inference, Yomo substantially reduces the financial and computational costs of deploying QML, thereby lowering the barrier to practical adoption of QML.
Published: 2025-09-24 19:00 UTC