[論文レビュー] Quantum Recurrent Unit: A Parameter-Efficient Quantum Neural Network Architecture for NISQ Devices

Tzong-Daw Wu, Hsi-Sheng Goan|arXiv (Cornell University)|Jan 26, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

この論文は、NISQデバイスのためのパラメータ効率の高い量子ニューラルネットワークであるQuantum Recurrent Unit (QRU) を導入し、常数深さとシーケンス長に対するパラメータ数を特徴とする。振動予測、がん分類、MNISTで高い性能を示す。

ABSTRACT

The rapid growth of modern machine learning (ML) models presents fundamental challenges in parameter efficiency and computational resource requirements. This study introduces the Quantum Recurrent Unit (QRU), a novel quantum neural network (NN) architecture specifically designed to address these challenges while remaining compatible with Noisy Intermediate-Scale Quantum (NISQ) devices. QRU leverages quantum controlled-SWAP (C-SWAP; Fredkin) gates to implement an information selection mechanism inspired by classical Gated Recurrent Units (GRUs), enabling selective processing of temporal information via quantum operations. Through its innovative recurrent architecture featuring measurement results feedforward state propagation and shared parameters across time steps, QRU achieves constant circuit depth and constant parameter count regardless of input sequence length, effectively circumventing stringent NISQ hardware constraints. We systematically validate QRU through three progressive experiments: (1) oscillatory behavior prediction, where 72-parameter QRU matches 197-parameter classical GRU performance; (2) Wisconsin Diagnostic Breast Cancer classification, where 35 parameters achieve 96.13% accuracy comparable to 167-parameter artificial NNs; and (3) MNIST handwritten digit recognition, where 132 parameters reach 98.05% accuracy, outperforming a 27,265-parameter convolutional NN. These results demonstrate that QRU consistently achieves comparable or superior performance with significantly fewer parameters than classical NNs while maintaining constant quantum circuit depth. The architecture's quantum-native design, combining C-SWAP-based information selection with novel recurrent processing, suggests QRU's potential as a fundamental building block for next-generation ML systems, offering a promising pathway toward more efficient and scalable quantum ML architectures.

研究の動機と目的

• NISQハードウェア上でパラメータ効率の良い ML の必要性を動機付ける。
• QRUを、シーケンス長に対して一定の深さとパラメータ数を持つ量子リカレントアーキテクチャとして提案する。
• 振動予測、ウィスコンシン州ブレストがん分類、MNISTでのQRUの性能を示す。
• QRUが従来のNNと同等またはそれ以上の性能を、はるかに少ないパラメータで達成できることを示す。

提案手法

• ゲート付きリカレントユニットに触発された情報選択を実装するために量子制御-SWAP (C-SWAP)ゲートを使用する。
• 測定結果を前方伝搬状態推定へフィードバックするリカレントアーキテクチャを採用する。
• 時間ステップ間でパラメータを共有して、一定のパラメータ数を維持する。
• 入力シーケンス長に関係なく一定の回路深さを達成する。

実験結果

リサーチクエスチョン

• RQ1 QRUはNISQデバイス上で固定された小さなパラメータ予算で古典的RNNと競合または優れた性能を達成できるか。
• RQ2 入力シーケンスが長くなるにつれて回路深さとパラメータ数を一定に保てるか。
• RQ3 振動予測、乳がん分類、MNISTなどの標準ベンチマークで、より大きな古典的ネットワークと比較してQRUはどうなるか。

主な発見

• 振動予測では、72パラメータのQRUが197パラメータの古典的GRUに匹敵。
• Wisconsin Diagnostic Breast Cancer分類で、35パラメータのQRUが96.13%の精度を達成し、167パラメータの人工NNと比較可能。
• MNIST認識で、132パラメータのQRUが98.05%の精度を達成し、27,265パラメータの畳み込みNNを上回る。
• タスクを跨いで、QRUはパラメータ数を大幅に削減しつつ競争力のあるまたは優れた性能と一定の深さを提供する。