論文の概要: Time Series Quantum Reservoir Computing with Weak and Projective
Measurements
- arxiv url: http://arxiv.org/abs/2205.06809v1
- Date: Fri, 13 May 2022 17:57:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-13 06:51:59.391281
- Title: Time Series Quantum Reservoir Computing with Weak and Projective
Measurements
- Title(参考訳): 弱計測と投影計測による時系列量子貯留層計算
- Authors: Pere Mujal, Rodrigo Mart\'inez-Pe\~na, Gian Luca Giorgi, Miguel C.
Soriano and Roberta Zambrini
- Abstract要約: 貯水池の量子性を利用して理想的な性能が得られることを示す。
1つは、貯水池のフェーディングメモリによって決定されるダイナミクスの巻き戻し部分と、入力シーケンスの対応するデータを記憶する。
他方は、必要なメモリを邪魔することなく、正確に情報を抽出できるトレードオフでオンラインに動作する弱い測定方法を採用している。
- 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: Quantum machine learning represents a promising avenue for data processing,
also for purposes of sequential temporal data analysis, as recently proposed in
quantum reservoir computing (QRC). The possibility to operate on several
platforms and noise intermediate-scale quantum devices makes QRC a timely
topic. A challenge that has not been addressed yet, however, is how to
efficiently include quantum measurement in realistic protocols, while retaining
the reservoir memory needed for sequential time series processing and
preserving the quantum advantage offered by large Hilbert spaces. In this work,
we propose different measurement protocols and assess their efficiency in terms
of resources, through theoretical predictions and numerical analysis. We show
that it is possible to exploit the quantumness of the reservoir and to obtain
ideal performance both for memory and forecasting tasks with two successful
measurement protocols. One consists in rewinding part of the dynamics
determined by the fading memory of the reservoir and storing the corresponding
data of the input sequence, while the other employs weak measurements operating
online at the trade-off where information can be extracted accurately and
without hindering the needed memory. Our work establishes the conditions for
efficient protocols, being the fading memory time a key factor, and
demonstrates the possibility of performing genuine online time-series
processing with quantum systems.
- Abstract(参考訳): 量子機械学習は、最近の量子貯水池コンピューティング(QRC)で提案されているように、データ処理のための有望な道であり、シーケンシャルな時間的データ分析の目的でもある。
いくつかのプラットフォームとノイズ中間スケール量子デバイスで動作可能なため、QRCはタイムリーなトピックとなっている。
しかし、まだ解決されていない課題は、シーケンシャルな時系列処理に必要な貯水池メモリを保持し、大きなヒルベルト空間で提供される量子優位性を保存する一方で、現実的なプロトコルに量子計測を効率的に組み込む方法である。
本研究では,理論的予測と数値解析により,異なる測定プロトコルを提案し,資源の観点からその効率を評価する。
本研究では,貯水池の量子性を利用して,2つの測定プロトコルを用いたメモリおよび予測タスクの理想的な性能が得られることを示す。
1つは、貯水池のフェーディングメモリによって決定されたダイナミクスの巻き戻し部分と、入力シーケンスの対応するデータを記憶し、もう1つは、必要なメモリを妨害することなく、情報を正確に抽出できるトレードオフでオンラインに動作している弱い測定値を用いる。
本研究は,効率のよいプロトコルの条件を確立し,量子システムを用いたオンライン時系列処理の実現可能性を示す。
関連論文リスト
- Feedback-driven quantum reservoir computing for time-series analysis [1.1920094285063136]
量子貯水池計算(QRC)は、非線形情報処理のための計算資源として量子システムを利用する有望な計算パラダイムである。
時系列分析のためのフィードバック駆動型QRCフレームワークを提案する。
我々は,QRCがフィードバック接続によってフェードメモリ特性の取得に成功したことを実証した。
論文 参考訳(メタデータ) (2024-06-22T08:28:08Z) - 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) - Quantum reservoir computing with repeated measurements on
superconducting devices [6.868186896932376]
我々は、繰り返し測定を利用して時系列を生成する量子貯水池(QR)システムを開発した。
我々は,IBMの量子超伝導デバイス上で提案したQRCを実験的に実装し,高い精度と短い実行時間を実現することを示す。
論文 参考訳(メタデータ) (2023-10-10T15:29:24Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳(メタデータ) (2022-10-03T09:32:28Z) - 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) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳(メタデータ) (2022-07-14T12:22:51Z) - 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) - 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) - Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
量子回路をキューネットワークとしてモデル化することを提案する。
提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
論文 参考訳(メタデータ) (2021-06-26T10:55:52Z) - Learning Temporal Quantum Tomography [0.0]
量子状態の準備における制御レベルの定量化と検証は、量子デバイス構築における中心的な課題である。
本稿では,機械学習フレームワークを用いた実用的近似トモグラフィ法を開発した。
量子学習タスクのためのアルゴリズムを実証し、その後、量子短期記憶容量を提案して、短期量子デバイスの時間的処理能力を評価する。
論文 参考訳(メタデータ) (2021-03-25T17:01:24Z) - Reservoir Computing Approach to Quantum State Measurement [0.0]
貯留層計算(Reservoir computing)は、超伝導多ビット系の量子計測における資源効率の高い解である。
このデバイスを動作させて2量子状態トモグラフィーと連続パリティモニタリングを行う方法を示す。
論文 参考訳(メタデータ) (2020-11-19T04:46:15Z)
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。