論文の概要: Characterizing the memory capacity of transmon qubit reservoirs

• arxiv url: http://arxiv.org/abs/2004.08240v7
• Date: Mon, 26 Sep 2022 14:17:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 08:51:27.274694
• Title: Characterizing the memory capacity of transmon qubit reservoirs
• Title（参考訳）: トランスモンキュービット貯水池のメモリ容量特性
• Authors: Samudra Dasgupta, Kathleen E. Hamilton, and Arnab Banerjee
• Abstract要約: Quantum Reservoir Computingは、機械学習のための量子アンサンブルシステムのダイナミクスを利用する。 そこで本研究では,IBMが提供するトランスモンデバイスを用いて構築した量子貯水池のメモリ容量を特徴付けるタスクに着目した。
• 参考スコア（独自算出の注目度）: 1.5357150519712388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Reservoir Computing (QRC) exploits the dynamics of quantum ensemble systems for machine learning. Numerical experiments show that quantum systems consisting of 5-7 qubits possess computational capabilities comparable to conventional recurrent neural networks of 100 to 500 nodes. Unlike traditional neural networks, we do not understand the guiding principles of reservoir design for high-performance information processing. Understanding the memory capacity of quantum reservoirs continues to be an open question. In this study, we focus on the task of characterizing the memory capacity of quantum reservoirs built using transmon devices provided by IBM. Our hybrid reservoir achieved a Normalized Mean Square Error (NMSE) of 6x10^{-4} which is comparable to recent benchmarks. The Memory Capacity characterization of a n-qubit reservoir showed a systematic variation with the complexity of the topology and exhibited a peak for the configuration with n-1 self-loops. Such a peak provides a basis for selecting the optimal design for forecasting tasks.
• Abstract（参考訳）: Quantum Reservoir Computing (QRC)は、機械学習のための量子アンサンブルシステムのダイナミクスを利用する。 数値実験により、5-7量子ビットからなる量子系は、従来の100から500ノードのリカレントニューラルネットワークに匹敵する計算能力を有することが示された。 従来のニューラルネットワークとは異なり、高性能情報処理のためのリザーバ設計の指針は理解されていない。 量子貯水池のメモリ容量を理解することは、未解決の問題である。 本研究では,IBMが提供するトランスモンデバイスを用いて構築した量子貯水池のメモリ容量を特徴付けるタスクに着目した。 我々のハイブリッド貯水池は、最近のベンチマークに匹敵する6x10^{-4の正規化平均角誤差(NMSE)を達成した。 n量子ビット貯水池のメモリ容量特性はトポロジーの複雑さと系統的な変化を示し,n-1自己ループ構成のピークを示した。 このようなピークは、予測タスクの最適設計を選択する基礎を提供する。

関連論文リスト

• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Configured Quantum Reservoir Computing for Multi-Task Machine Learning [24.698475208639586]
  量子貯水池計算のためのプログラム可能なNISQデバイスのダイナミクスについて検討する。 単一の構成の量子貯水池は、同時に複数のタスクを学習することができる。 量子貯水池における量子コヒーレンス(quantum coherence, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス)
  論文  参考訳（メタデータ） (2023-03-30T18:00:02Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Optimal storage capacity of quantum Hopfield neural networks [0.0]
  多数のパターンで量子連想記憶を解析することは、難しいオープンな問題である。 本稿では,量子ニューラルネットワークモデルにおける最大記憶容量の評価方法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:21:21Z)
• Optimization of the Memory Reset Rate of a Quantum Echo-State Network for Time Sequential Tasks [0.0]
  量子貯水池コンピューティングは、量子ビットのレジスタに基づくエコー状態ネットワークの貯水池を含む量子機械学習アルゴリズムのクラスである。 ネットワークのメモリと量子貯水池の進化のリセット率の関係について検討する。
  論文  参考訳（メタデータ） (2022-10-03T16:08:06Z)
• Quantum Reservoir Computing for Speckle-Disorder Potentials [0.0]
  量子貯水池コンピューティング(Quantum reservoir computing)は、情報を処理するメモリを持つ量子システムのダイナミクスを活用するために設計された機械学習手法である。 この手法はスピンの量子貯水池を用いて導入され、追加の量子系の基底状態エネルギーを求めるために応用される。 この課題は, 貯水池から抽出した可観測量に着目して解析し, 2ビット相関を用いた場合の強化効果を示す。
  論文  参考訳（メタデータ） (2022-01-26T18:04:49Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• SeQUeNCe: A Customizable Discrete-Event Simulator of Quantum Networks [53.56179714852967]
  この研究は、包括的でカスタマイズ可能な量子ネットワークシミュレータであるSeQUeNCeを開発した。 本研究では,9つのルータに量子メモリを具備したフォトニック量子ネットワークをシミュレートし,SeQUeNCeの利用を実証する。 オープンソースツールとしてSeQUeNCeをリリースしています。
  論文  参考訳（メタデータ） (2020-09-25T01:52:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。