論文の概要: Quantum Reservoir Computing for Speckle-Disorder Potentials

• arxiv url: http://arxiv.org/abs/2201.11096v1
• Date: Wed, 26 Jan 2022 18:04:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 20:16:18.747252
• Title: Quantum Reservoir Computing for Speckle-Disorder Potentials
• Title（参考訳）: スペックル変位ポテンシャルに対する量子貯留層計算
• Authors: Pere Mujal
• Abstract要約: 量子貯水池コンピューティング(Quantum reservoir computing)は、情報を処理するメモリを持つ量子システムのダイナミクスを活用するために設計された機械学習手法である。 この手法はスピンの量子貯水池を用いて導入され、追加の量子系の基底状態エネルギーを求めるために応用される。 この課題は, 貯水池から抽出した可観測量に着目して解析し, 2ビット相関を用いた場合の強化効果を示す。
• 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 is a machine-learning approach designed to exploit the dynamics of quantum systems with memory to process information. As an advantage, it presents the possibility to benefit from the quantum resources provided by the reservoir combined with a simple and fast training strategy. In this work, this technique is introduced with a quantum reservoir of spins and it is applied to find the ground-state energy of an additional quantum system. The quantum reservoir computer is trained with a linear model to predict the lowest energy of a particle in the presence of different speckle-disorder potentials. The performance of the task is analyzed with a focus on the observable quantities extracted from the reservoir and it shows to be enhanced when two-qubit correlations are employed.
• Abstract（参考訳）: 量子貯水池コンピューティング(Quantum reservoir computing)は、情報を処理するメモリを持つ量子システムのダイナミクスを活用するために設計された機械学習手法である。 アドバンテージとして、簡易かつ高速なトレーニング戦略と組み合わせて、貯水池が提供する量子リソースの恩恵を受ける可能性を示す。 この研究では、この手法はスピンの量子貯水池に導入され、追加の量子システムの基底状態エネルギーを見つけるために応用される。 量子貯水池コンピュータは、異なるスペックル不規則ポテンシャルの存在下で粒子の最低エネルギーを予測するために線形モデルで訓練される。 タスクの性能を貯留層から抽出した可観測量に着目して解析し、2量子ビット相関を用いた場合の処理能力の向上を示す。

関連論文リスト

• 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)
• Configured Quantum Reservoir Computing for Multi-Task Machine Learning [24.698475208639586]
  量子貯水池計算のためのプログラム可能なNISQデバイスのダイナミクスについて検討する。 単一の構成の量子貯水池は、同時に複数のタスクを学習することができる。 量子貯水池における量子コヒーレンス(quantum coherence, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス)
  論文  参考訳（メタデータ） (2023-03-30T18:00:02Z)
• Benchmarking the role of particle statistics in Quantum Reservoir Computing [0.0]
  線形および非線形メモリ容量を測定し,過去の入力からの情報を保存するボソン,フェルミオン,量子ビットの能力について検討した。 最も単純なハミルトン式貯水池では、フェルミオンはその固有の非局所的性質のために最良の貯水池を提供する。 調整された入力注入戦略により、ヒルベルト空間の自由度をボソニック量子貯水池計算に活用することができる。
  論文  参考訳（メタデータ） (2023-02-14T16:23:46Z)
• 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)
• 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)
• Quantum circuits for the preparation of spin eigenfunctions on quantum computers [63.52264764099532]
  ハミルトン対称性は、関連する多粒子波動関数を分類するための重要な道具である。 この研究は、量子コンピュータ上の全スピン固有関数の正確かつ近似的な準備のための量子回路を提示する。
  論文  参考訳（メタデータ） (2022-02-19T00:21:46Z)
• Physical reservoir computing using finitely-sampled quantum systems [0.0]
  貯留層計算は物理貯水池の非線形力学を利用して複雑な時系列処理を行う。 ここでは、非線形量子貯水池を用いた連続測定による貯水池計算の枠組みについて述べる。
  論文  参考訳（メタデータ） (2021-10-26T16:46:14Z)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)
• 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)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。