論文の概要: Quantum Machine Learning in Finance: Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2202.00599v1
- Date: Tue, 1 Feb 2022 17:42:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 03:07:04.134189
- Title: Quantum Machine Learning in Finance: Time Series Forecasting
- Title（参考訳）: 金融における量子機械学習:時系列予測
- Authors: Dimitrios Emmanoulopoulos and Sofija Dimoska
- Abstract要約: 量子ニューラルネットワーク(QNN)としてのパラメトリック量子回路(PQC)の有効性について検討する。
時系列信号は、いくつかの正弦波成分(決定論的信号)からなり、トレンドと付加雑音が混在する。
QNNは、量子コンピュータの古典的な機械学習モデルよりも大幅に高速にトレーニングされるという大きな利点を、時系列をモデル化するのに効果的に使用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore the efficacy of the novel use of parametrised quantum circuits
(PQCs) as quantum neural networks (QNNs) for forecasting time series signals
with simulated quantum forward propagation. The temporal signals consist of
several sinusoidal components (deterministic signal), blended together with
trends and additive noise. The performance of the PQCs is compared against that
of classical bidirectional long short-term memory (BiLSTM) neural networks. Our
results show that for time series signals consisting of small amplitude noise
variations (up to 40 per cent of the amplitude of the deterministic signal)
PQCs, with only a few parameters, perform similar to classical BiLSTM networks,
with thousands of parameters, and outperform them for signals with higher
amplitude noise variations. Thus, QNNs can be used effectively to model time
series having, at the same time, the significant advantage of being trained
significantly faster than a classical machine learning model in a quantum
computer.
- Abstract（参考訳）: シミュレーション量子フォワード伝搬を用いた時系列信号を予測するための量子ニューラルネットワーク(QNN)としてパラメトリド量子回路(PQC)の新規使用の有効性を検討する。
時間的信号はいくつかの正弦波成分(決定論的信号)からなり、トレンドや付加雑音と混合される。
pqcsの性能は、従来の双方向のlong short-term memory(bilstm)ニューラルネットワークと比較される。
以上の結果から,PQCsは,振幅雑音の変動が小さい(定性信号の振幅の最大40%)時系列信号に対して,古典的BiLSTMネットワークと同じような性能を示し,数千のパラメータで処理し,振幅雑音の変動が大きい信号に対して性能を向上することを示した。
したがって、qnnは、量子コンピュータにおける古典的な機械学習モデルよりも大幅に高速にトレーニングされるという大きな利点を持つ時系列のモデル化に効果的に使用できる。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Compressed-sensing Lindbladian quantum tomography with trapped ions [44.99833362998488]
量子システムの力学を特徴づけることは、量子情報プロセッサの開発における中心的な課題である。
従来の欠点を緩和するLindbladian quantum tomography(LQT)の2つの改良点を提案する。
論文 参考訳（メタデータ） (2024-03-12T09:58:37Z) - Learning to Program Variational Quantum Circuits with Fast Weights [3.6881738506505988]
本稿では,時間的あるいはシーケンシャルな学習課題に対する解決法として,QFWP(Quantum Fast Weight Programmers)を提案する。
提案したQFWPモデルは、量子リカレントニューラルネットワークの使用を必要とせずに、時間的依存関係の学習を実現する。
本研究では, 時系列予測とRLタスクにおいて, 提案したQFWPモデルの有効性を示す数値シミュレーションを行った。
論文 参考訳（メタデータ） (2024-02-27T18:53:18Z) - 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) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - Learning Quantum Processes with Memory -- Quantum Recurrent Neural
Networks [0.0]
本稿では,散逸性量子ニューラルネットワークに基づく完全量子リカレントニューラルネットワークを提案する。
これらのアルゴリズムが複雑な量子過程をメモリで学習する可能性を実証する。
数値シミュレーションにより、我々の量子リカレントニューラルネットワークは、小さなトレーニングセットから一般化する顕著な能力を示すことが示された。
論文 参考訳（メタデータ） (2023-01-19T16:58:39Z) - Algorithmic Shadow Spectroscopy [0.0]
ごく少数の回路繰り返し(ショット)と余剰資源(アンシラ量子ビット)を使わずにエネルギーギャップを推定するためのシミュレータ非依存の量子アルゴリズムを提案する。
我々は,本手法が実用的には直感的に使いやすく,ゲートノイズに対して頑健であり,新しいタイプのアルゴリズム的エラー軽減手法であり,時間ステップ当たり10ショットという通常の近距離量子アルゴリズムよりも桁違いに少ないショット数を用いることを実証した。
論文 参考訳（メタデータ） (2022-12-21T14:23:48Z) - Quantum Federated Learning with Entanglement Controlled Circuits and
Superposition Coding [44.89303833148191]
我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。
本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。
画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
論文 参考訳（メタデータ） (2022-12-04T03:18:03Z) - Quantum Long Short-Term Memory [3.675884635364471]
LSTM(Long Short-term memory)は、シーケンスおよび時間依存性データモデリングのためのリカレントニューラルネットワーク(RNN)である。
本稿では,QLSTMを疑似化したLSTMのハイブリッド量子古典モデルを提案する。
我々の研究は、ノイズの多い中間スケール量子(NISQ)デバイス上でのシーケンスモデリングのための機械学習アルゴリズムの実装への道を開いた。
論文 参考訳（メタデータ） (2020-09-03T16:41:09Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z)
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。