論文の概要: The Reservoir Learning Power across Quantum Many-Boby Localization Transition

• arxiv url: http://arxiv.org/abs/2104.02727v1
• Date: Tue, 6 Apr 2021 18:00:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 06:09:20.213457
• Title: The Reservoir Learning Power across Quantum Many-Boby Localization Transition
• Title（参考訳）: 量子多元局在遷移における貯留層学習力
• Authors: Wei Xia, Jie Zou, Xingze Qiu and Xiaopeng Li
• Abstract要約: 一次元の長距離ランダム結合量子スピン鎖の学習力について検討する。 時系列学習タスクでは、量子多体ローカライズド(MBL)フェーズのシステムは長期記憶を保持する。 MBL-ergodic遷移付近で最適学習性能が得られた。
• 参考スコア（独自算出の注目度）: 27.693120770022198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Harnessing the quantum computation power of the present noisy-intermediate-size-quantum devices has received tremendous interest in the last few years. Here we study the learning power of a one-dimensional long-range randomly-coupled quantum spin chain, within the framework of reservoir computing. In time sequence learning tasks, we find the system in the quantum many-body localized (MBL) phase holds long-term memory, which can be attributed to the emergent local integrals of motion. On the other hand, MBL phase does not provide sufficient nonlinearity in learning highly-nonlinear time sequences, which we show in a parity check task. This is reversed in the quantum ergodic phase, which provides sufficient nonlinearity but compromises memory capacity. In a complex learning task of Mackey-Glass prediction that requires both sufficient memory capacity and nonlinearity, we find optimal learning performance near the MBL-to-ergodic transition. This leads to a guiding principle of quantum reservoir engineering at the edge of quantum ergodicity reaching optimal learning power for generic complex reservoir learning tasks. Our theoretical finding can be readily tested with present experiments.
• Abstract（参考訳）: 現在のノイズ中規模量子デバイスの量子計算能力を活用することは、ここ数年で大きな関心を集めている。 本稿では,1次元長距離ランダム結合量子スピンチェーンの学習能力について,貯水池計算の枠組みを用いて検討する。 時系列学習タスクでは、量子多体局所化(mbl)位相における系は長期記憶を保持しており、これは動きの創発的局所積分に起因している。 一方、MBL相は高非線形時間列の学習において十分な非線形性を提供しておらず、パリティチェックタスクで示す。 これは量子エルゴード相で逆転し、十分な非線形性を提供するが、メモリ容量を損なう。 十分なメモリ容量と非線形性の両方を必要とするマッキーグラス予測の複雑な学習課題において、MBL-ergodic遷移付近で最適な学習性能を求める。 これにより、量子エルゴディシティの端にある量子貯水池工学の指導原理が、ジェネリック複素貯水池学習タスクの最適学習力に到達する。 我々の理論的発見は、現在の実験で容易に検証できる。

関連論文リスト

• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantumness and Learning Performance in Reservoir Computing with a Single Oscillator [0.0]
  量子非線形モデルは、古典的非線形発振器と比較して学習性能においてより効果的であることを示す。 量子性と性能の関係を,幅広い初期状態を用いて検討する。
  論文  参考訳（メタデータ） (2023-04-07T03:37:55Z)
• Optimizing quantum noise-induced reservoir computing for nonlinear and chaotic time series prediction [2.5427629797261297]
  我々は, 量子雑音による貯水池を改良し, 貯水池の騒音を表現的非線形信号を生成するための資源として利用する。 その結果,1つのノイズモデルと少ないメモリ容量で,非線形ベンチマークにおいて優れたシミュレーション結果が得られた。
  論文  参考訳（メタデータ） (2023-03-09T18:40:03Z)
• Exploring quantum mechanical advantage for reservoir computing [0.0]
  量子貯水池の量子特性と線形短期記憶性能の関連性を確立する。 貯水池における高い絡み合いは,より複雑な貯水池力学の前提条件であることがわかった。 本稿では,物理量子貯水池の性能に及ぼすデファスティングの影響について論じる。
  論文  参考訳（メタデータ） (2023-02-07T17:07:28Z)
• Hybrid quantum gap estimation algorithm using a filtered time series [0.0]
  我々は、古典的な後処理、すなわち、オフライン時系列の長時間フィルタリングが、量子時間進化に必要な回路深さを指数関数的に改善することを証明する。 本手法をハイブリッド量子古典アルゴリズムの構築に適用し,エネルギーギャップを推定する。 我々の発見は、短期的にメモリの優位性を提供するために、非バイアス量子シミュレーションのステージを設定した。
  論文  参考訳（メタデータ） (2022-12-28T18:59:59Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• 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)
• Statistical Limits of Supervised Quantum Learning [90.0289160657379]
  精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。 より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
  論文  参考訳（メタデータ） (2020-01-28T17:35:32Z)
• Temporal Information Processing on Noisy Quantum Computers [3.4180402210147243]
  複素散逸型量子力学を利用する量子貯水池計算を提案する。 遠隔アクセスされたクラウドベースの超伝導量子コンピュータに関する実証実験は、小さくノイズの多い量子貯水池が高次非線形時間的タスクに対処できることを実証している。 本研究は, 量子誤り訂正を伴わず, 忠実度を増大させるような, 短期ゲートモデル量子コンピュータの魅力的な時間的処理手法の道筋をたどるものである。
  論文  参考訳（メタデータ） (2020-01-26T19:00:03Z)

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。