論文の概要: Higher-Order Quantum Reservoir Computing
- arxiv url: http://arxiv.org/abs/2006.08999v2
- Date: Tue, 20 Oct 2020 14:41:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 21:40:10.968179
- Title: Higher-Order Quantum Reservoir Computing
- Title(参考訳): 高次量子貯留層計算
- Authors: Quoc Hoan Tran and Kohei Nakajima
- Abstract要約: 本稿では,線形フィードバックなどの古典的接続を介して相互に通信する,複数だが小さな量子システムからなるハイブリッド量子古典的フレームワークを提案する。
大規模非線形力学系をエミュレートする際のフレームワークの有効性を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum reservoir computing (QRC) is an emerging paradigm for harnessing the
natural dynamics of quantum systems as computational resources that can be used
for temporal machine learning tasks. In the current setup, QRC is difficult to
deal with high-dimensional data and has a major drawback of scalability in
physical implementations. We propose higher-order QRC, a hybrid
quantum-classical framework consisting of multiple but small quantum systems
that are mutually communicated via classical connections like linear feedback.
By utilizing the advantages of both classical and quantum techniques, our
framework enables an efficient implementation to boost the scalability and
performance of QRC. Furthermore, higher-order settings allow us to implement a
FORCE learning or an innate training scheme, which provides flexibility and
high operability to harness high-dimensional quantum dynamics and significantly
extends the application domain of QRC. We demonstrate the effectiveness of our
framework in emulating large-scale nonlinear dynamical systems, including
complex spatiotemporal chaos, which outperforms many of the existing machine
learning techniques in certain situations.
- Abstract(参考訳): 量子貯水池コンピューティング(QRC)は、時間的機械学習タスクに使用できる計算資源として量子システムの自然力学を利用する新しいパラダイムである。
現在のセットアップでは、QRCは高次元データを扱うのが難しく、物理実装におけるスケーラビリティの大きな欠点があります。
線形フィードバックのような古典的接続を介して相互に通信する複数の小さな量子システムからなるハイブリッド量子古典的フレームワークである高次QRCを提案する。
古典的手法と量子的手法の両方の利点を生かして,QRCのスケーラビリティと性能を向上させるための効率的な実装を実現する。
さらに、高次設定により、高次元量子力学を利用する柔軟性と高い操作性を提供し、QRCの応用領域を大幅に拡張するForce学習または本質的なトレーニングスキームを実装することができる。
本研究では,複雑な時空間カオスを含む大規模非線形力学系をエミュレートする枠組みの有効性を実証する。
関連論文リスト
- 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) - Early Exploration of a Flexible Framework for Efficient Quantum Linear
Solvers in Power Systems [7.346769343315727]
我々は,電力システムアプリケーションとQiskitで利用可能な量子線形解器のギャップを埋める,NWQSimを利用した多用途フレームワークを提案する。
革新的なゲート融合戦略,回路深度低減,GPUアクセラレーションにより,シミュレータは資源効率を大幅に向上させる。
論文 参考訳(メタデータ) (2024-02-13T00:08:21Z) - Quantum Transfer Learning with Adversarial Robustness for Classification
of High-Resolution Image Datasets [1.7246639313869705]
本稿では,量子変動回路をImageNetデータセット上に事前学習した古典的機械学習ネットワークと統合する量子トランスファー学習アーキテクチャを提案する。
転送学習を伴わずに、古典的および量子機械学習に対するQTLアプローチの優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-30T13:45:39Z) - Expressive Quantum Supervised Machine Learning using Kerr-nonlinear
Parametric Oscillators [0.0]
変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。
近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。
我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
論文 参考訳(メタデータ) (2023-05-01T07:01:45Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-14T08:03:20Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - Scalable photonic platform for real-time quantum reservoir computing [0.0]
量子貯留層計算(Quantum Reservoir Computing)は、量子システムの情報処理能力を利用して、非自明な時間的タスクを解決する。
最近の進歩は、拡大ヒルベルト空間を利用するQRCの可能性を示している。
クローズドループを循環する同一光パルスの形で貯留層の物理的アンサンブルに基づくリアルタイムQRCに適したフォトニックプラットフォームを提案する。
論文 参考訳(メタデータ) (2022-07-28T11:44:44Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - Self-Correcting Quantum Many-Body Control using Reinforcement Learning
with Tensor Networks [0.0]
本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。
我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
論文 参考訳(メタデータ) (2022-01-27T20:14:09Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳(メタデータ) (2021-03-12T20:58:41Z) - Entanglement transfer, accumulation and retrieval via quantum-walk-based
qubit-qudit dynamics [50.591267188664666]
高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。
本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。
特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
論文 参考訳(メタデータ) (2020-10-14T14:33:34Z)
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。