論文の概要: Quantum reservoir computing using arrays of Rydberg atoms
- arxiv url: http://arxiv.org/abs/2111.10956v4
- Date: Wed, 20 Jul 2022 18:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 04:39:30.658379
- Title: Quantum reservoir computing using arrays of Rydberg atoms
- Title（参考訳）: Rydberg原子配列を用いた量子貯水池計算
- Authors: Rodrigo Araiza Bravo, Khadijeh Najafi, Xun Gao, and Susanne F. Yelin
- Abstract要約: 我々は、脳内の神経回路のよく知られたモデルであるリカレントニューラルネットワーク(RNN)の量子バージョンを紹介する。
我々の量子RNN(qRNN)は、相互作用するスピン-1/2粒子のアンサンブルの自然ハミルトン力学を計算の手段として利用する。
我々は、qRNNがマルチタスク、意思決定、長期記憶などの認知的タスクの学習を複製できることを実際に示している。
- 参考スコア（独自算出の注目度）: 1.2652031472297414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computing promises to provide machine learning with computational
advantages. However, noisy intermediate-scale quantum (NISQ) devices pose
engineering challenges to realizing quantum machine learning (QML) advantages.
Recently, a series of QML computational models inspired by the noise-tolerant
dynamics on the brain have emerged as a means to circumvent the hardware
limitations of NISQ devices. In this article, we introduce a quantum version of
a recurrent neural network (RNN), a well-known model for neural circuits in the
brain. Our quantum RNN (qRNN) makes use of the natural Hamiltonian dynamics of
an ensemble of interacting spin-1/2 particles as a means for computation. In
the limit where the Hamiltonian is diagonal, the qRNN recovers the dynamics of
the classical version. Beyond this limit, we observe that the quantum dynamics
of the qRNN provide it quantum computational features that can aid it in
computation. To this end, we study a qRNN based on arrays of Rydberg atoms, and
show that the qRNN is indeed capable of replicating the learning of several
cognitive tasks such as multitasking, decision making, and long-term memory by
taking advantage of several key features of this platform such as interatomic
species interactions, and quantum many-body scars.
- Abstract（参考訳）: 量子コンピューティングは、機械学習に計算上の利点を提供する。
しかし、ノイズの多い中間スケール量子(NISQ)デバイスは、量子機械学習(QML)の利点を実現するためにエンジニアリング上の課題を引き起こす。
近年,NISQデバイスのハードウェア限界を回避する手段として,脳の耐雑音力学に触発された一連のQML計算モデルが出現している。
本稿では、脳内の神経回路のよく知られたモデルであるリカレントニューラルネットワーク(RNN)の量子バージョンを紹介する。
我々の量子RNN(qRNN)は、相互作用するスピン-1/2粒子のアンサンブルの自然ハミルトン力学を計算の手段として利用する。
ハミルトニアンが対角的な極限において、qRNNは古典版の力学を回復する。
この限界を超えて、我々はqRNNの量子力学が量子計算機能を提供し、計算に役立てることができることを観察する。
そこで我々は,Rydberg原子の配列に基づくqRNNの研究を行い,このプラットフォームの重要な特徴である,原子間相互作用や量子多体傷などを活用することで,マルチタスク,意思決定,長期記憶などの認知的タスクの学習を再現可能であることを示す。
関連論文リスト
- A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。
量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
論文 参考訳（メタデータ） (2024-07-23T11:38:06Z) - Measurement-based quantum machine learning [0.0]
量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークの概念を量子データのための量子モデルに拡張するオブジェクトである。
マルチトライアングルアンサッツ (MuTA) と呼ぶこのフレームワークで普遍的なQNNを提案する。
論文 参考訳（メタデータ） (2024-05-14T05:17:01Z) - Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。
本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。
我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
論文 参考訳（メタデータ） (2024-02-16T11:44:25Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - 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) - 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) - Parametrized constant-depth quantum neuron [56.51261027148046]
本稿では,カーネルマシンをベースとした量子ニューロン構築フレームワークを提案する。
ここでは、指数的に大きい空間にテンソル積特徴写像を適用するニューロンについて述べる。
パラメトリゼーションにより、提案されたニューロンは、既存のニューロンが適合できない基礎となるパターンを最適に適合させることができることが判明した。
論文 参考訳（メタデータ） (2022-02-25T04:57:41Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳（メタデータ） (2020-11-12T08:32:04Z) - Nonlinear Quantum Neuron: A Fundamental Building Block for Quantum
Neural Networks [5.067768639196139]
量子コンピューティングにより、量子ニューラルネットワーク(QNN)は、人工ニューラルネットワーク(ANN)を超える大きな可能性を持つ。
QNNに関連する様々なモデルが開発されているが、ニューラルネットワークの非線形で散逸的なダイナミクスを線形でユニタリな量子システムにマージするという課題に直面している。
非線形関数を近似するために異なる量子回路を構築し、任意の非線形量子ニューロンを実現するための一般化可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-06T15:25:52Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
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。