論文の概要: Opportunities in Quantum Reservoir Computing and Extreme Learning Machines

• arxiv url: http://arxiv.org/abs/2102.11831v2
• Date: Sat, 10 Jul 2021 10:00:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 03:14:43.722144
• Title: Opportunities in Quantum Reservoir Computing and Extreme Learning Machines
• Title（参考訳）: 量子貯留層計算とエクストリームラーニングマシンの可能性
• Authors: Pere Mujal, Rodrigo Mart\'inez-Pe\~na, Johannes Nokkala, Jorge Garc\'ia-Beni, Gian Luca Giorgi, Miguel C. Soriano, Roberta Zambrini
• Abstract要約: 量子貯水池コンピューティング(QRC)と量子極端学習マシン(QELM)は2つの新しいアプローチである。 彼らは物理的なシステムの量子性と簡単なトレーニング戦略を組み合わせ、優れたパフォーマンスを達成する。
• 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) and quantum extreme learning machines (QELM) are two emerging approaches that have demonstrated their potential both in classical and quantum machine learning tasks. They exploit the quantumness of physical systems combined with an easy training strategy, achieving an excellent performance. The increasing interest in these unconventional computing approaches is fueled by the availability of diverse quantum platforms suitable for implementation and the theoretical progresses in the study of complex quantum systems. In this review article, recent proposals and first experiments displaying a broad range of possibilities are reviewed when quantum inputs, quantum physical substrates and quantum tasks are considered. The main focus is the performance of these approaches, on the advantages with respect to classical counterparts and opportunities.
• Abstract（参考訳）: 量子貯水池コンピューティング (QRC) と量子極端学習マシン (QELM) は、古典的および量子機械学習タスクにおいてその可能性を実証する2つの新しいアプローチである。 物理システムの量子性と簡単なトレーニング戦略を組み合わせることで、優れたパフォーマンスを実現している。 これらの非従来型コンピューティングアプローチへの関心の高まりは、実装に適した多様な量子プラットフォームと、複雑な量子システムの研究における理論的進歩によって加速される。 本稿では, 量子入力, 量子物理基板, 量子タスクを考慮した場合, 様々な可能性を示す最近の提案と最初の実験について述べる。 主な焦点はこれらのアプローチのパフォーマンスであり、古典的なアプローチや機会に対するアドバンテージである。

関連論文リスト

• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Quantum Supervised Learning [0.5439020425819]
  量子コンピューティングの最近の進歩は、これを複雑な計算課題に取り組むための先進的な解決策として位置づけている。 量子機械学習の分野はまだ初期段階にあり、短期的な量子優位性に関する懐疑的なレベルが持続している。 本稿では、教師あり学習のための現在の量子アルゴリズムに関する古典的な視点を提供することを目的とする。
  論文  参考訳（メタデータ） (2024-07-24T11:05:05Z)
• Quantum Algorithms and Applications for Open Quantum Systems [1.7717834336854132]
  オープン量子系の基本理論の簡潔な要約を提供する。 次に、最近の量子アルゴリズムに関する議論を掘り下げる。 我々は,本分野の現実的な化学,生物,物質システムへの適用性を実証し,関連する応用の議論を締めくくった。
  論文  参考訳（メタデータ） (2024-06-07T19:02:22Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• Quantum Machine Learning Implementations: Proposals and Experiments [0.0]
  この記事では、量子強化学習、量子オートエンコーダ、量子メムリスタなど、特定の高インパクトトピックについてレビューする。 量子機械学習の分野は、産業や社会にとって有益な結果を生み出す最初の量子技術の一つかもしれない。
  論文  参考訳（メタデータ） (2023-03-11T01:02:16Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum reservoir computing: a reservoir approach toward quantum machine learning on near-term quantum devices [0.8206877486958002]
  量子貯水池コンピューティング(Quantum reservoir computing)は、時間的機械学習のように、量子システム上で複雑でリッチなダイナミクスを使用するアプローチである。 これらの量子機械学習アプローチはすべて、実験的に実現可能であり、最先端の量子デバイスに有効である。
  論文  参考訳（メタデータ） (2020-11-10T04:45:52Z)

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。