論文の概要: Online quantum time series processing with random oscillator networks
- arxiv url: http://arxiv.org/abs/2108.00698v1
- Date: Mon, 2 Aug 2021 08:06:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 03:30:25.587645
- Title: Online quantum time series processing with random oscillator networks
- Title（参考訳）: ランダム発振器ネットワークを用いたオンライン量子時系列処理
- Authors: Johannes Nokkala
- Abstract要約: 貯留層コンピューティングは、オンライン時系列処理のための強力な機械学習パラダイムである。
本稿では,量子情報からなる時系列のオンライン処理に対する貯水池型計算手法を提案する。
- 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: Reservoir computing is a powerful machine learning paradigm for online time
series processing. It has reached state-of-the-art performance in tasks such as
chaotic time series prediction and continuous speech recognition thanks to its
unique combination of high computational power and low training cost which sets
it aside from alternatives such as traditionally trained recurrent neural
networks, and furthermore is amenable to implementations in dedicated hardware,
potentially leading to extremely compact and efficient reservoir computers.
Recently the use of random quantum systems has been proposed, leveraging the
complexity of quantum dynamics for classical time series processing. Extracting
the output from a quantum system without disturbing its state too much is
problematic however, and can be expected to become a bottleneck in such
approaches. Here we propose a reservoir computing inspired approach to online
processing of time series consisting of quantum information, sidestepping the
measurement problem. We illustrate its power by generalizing two paradigmatic
benchmark tasks from classical reservoir computing to quantum information and
introducing a task without a classical analogue where a random system is
trained to both create and distribute entanglement between systems that never
directly interact. Finally, we discuss partial generalizations where only the
input or only the output time series is quantum.
- Abstract（参考訳）: 貯水池コンピューティングは、オンライン時系列処理のための強力な機械学習パラダイムである。
カオス時系列予測や連続音声認識といったタスクでは、従来の訓練されたリカレントニューラルネットワークのような代替品とは別に、計算能力と低トレーニングコストのユニークな組み合わせによって最先端のパフォーマンスを達成しており、専用ハードウェアの実装にも適しており、非常にコンパクトで効率的なリザーバコンピュータに繋がる可能性がある。
近年,古典時系列処理における量子力学の複雑さを活用したランダム量子システムの利用が提案されている。
しかし、量子システムからその状態を乱すことなく出力を抽出することは問題であり、そのようなアプローチではボトルネックになることが期待できる。
本稿では、量子情報からなる時系列のオンライン処理に対する貯水池計算によるアプローチを提案する。
古典的リザーバコンピューティングから量子情報への2つのパラダイム的ベンチマークタスクを一般化し、ランダムシステムが直接相互作用しないシステム間の絡み合いを作り、分散するように訓練された古典的類似物なしでタスクを導入することにより、そのパワーを示す。
最後に、入力または出力時系列のみが量子である部分一般化について述べる。
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) - Resource-Efficient Hybrid Quantum-Classical Simulation Algorithm [0.0]
デジタル量子コンピュータは、量子時間進化の実行において指数的なスピードアップを約束する。
中間時間ステップで所望の量子特性を抽出するタスクは、依然として計算ボトルネックである。
我々は,従来のコンピュータがFTQCデバイスや量子時間プロパゲータを利用でき,このボトルネックを克服できるハイブリッドシミュレータを提案する。
論文 参考訳（メタデータ） (2024-05-17T04:17:27Z) - 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) - Classical and quantum reservoir computing: development and applications
in machine learning [0.0]
貯留層計算(Reservoir computing)は、非線形力学系を用いてデータから複雑な時間パターンを学習する、新しい機械学習アルゴリズムである。
この研究は、農業時系列予測を含む、非常に異なる領域にわたるアルゴリズムの堅牢性と適応性を実証している。
この論文の最後の貢献は、量子貯水池計算のためのアルゴリズム設計の最適化である。
論文 参考訳（メタデータ） (2023-10-11T13:01:05Z) - 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) - The Basis of Design Tools for Quantum Computing: Arrays, Decision
Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。
完全に自動化された量子ソフトウェアスタックを開発する必要がある。
この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
論文 参考訳（メタデータ） (2023-01-10T19:00:00Z) - 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) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Natural quantum reservoir computing for temporal information processing [4.785845498722406]
貯留層計算(Reservoir computing)は、人工的または物理的散逸動態を利用する時間情報処理システムである。
本稿では, 量子ビットに付加される自然ノイズによって散逸特性が供給される貯水池として, 現実の超伝導量子コンピューティングデバイスを用いる方法を提案する。
論文 参考訳（メタデータ） (2021-07-13T01:58:57Z) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳（メタデータ） (2020-12-07T18:51:28Z) - 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。