論文の概要: Potential and limitations of quantum extreme learning machines
- arxiv url: http://arxiv.org/abs/2210.00780v4
- Date: Fri, 16 Jun 2023 15:00:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 18:25:18.020655
- Title: Potential and limitations of quantum extreme learning machines
- Title（参考訳）: 量子エクストリーム学習マシンの可能性と限界
- Authors: Luca Innocenti, Salvatore Lorenzo, Ivan Palmisano, Alessandro Ferraro,
Mauro Paternostro, G. Massimo Palma
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 55.41644538483948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum reservoir computers (QRC) and quantum extreme learning machines
(QELM) aim to efficiently post-process the outcome of fixed -- generally
uncalibrated -- quantum devices to solve tasks such as the estimation of the
properties of quantum states. The characterisation of their potential and
limitations, which is currently lacking, will enable the full deployment of
such approaches to problems of system identification, device performance
optimization, and state or process reconstruction. We present a framework to
model QRCs and QELMs, showing that they can be concisely described via single
effective measurements, and provide an explicit characterisation of the
information exactly retrievable with such protocols. We furthermore find a
close analogy between the training process of QELMs and that of reconstructing
the effective measurement characterising the given device. Our analysis paves
the way to a more thorough understanding of the capabilities and limitations of
both QELMs and QRCs, and has the potential to become a powerful measurement
paradigm for quantum state estimation that is more resilient to noise and
imperfections.
- Abstract（参考訳）: 量子貯水池コンピュータ (QRC) と量子極端学習機械 (QELM) は、量子状態の性質の推定などの課題を解決するために、固定された(一般には校正されていない)量子デバイスの結果を効率的に後処理することを目的としている。
現在不足しているその可能性と制限の特性により、システム識別、デバイスパフォーマンスの最適化、状態やプロセスの再構築といった問題に対するアプローチの完全な展開が可能になる。
本稿では,QRCとQELMをモデル化するフレームワークを提案し,単一の有効測定によって簡潔に記述できることを示し,そのようなプロトコルで正確に検索可能な情報の明示的な特徴付けを提供する。
さらに、QELMのトレーニングプロセスと、そのデバイスを特徴付ける効果的な測定方法の再構築の類似点を見出した。
我々の分析は、QELMとQRCの両方の能力と限界をより深く理解する方法を示し、ノイズや不完全性に対してより耐性のある量子状態推定のための強力な測定パラダイムになる可能性がある。
関連論文リスト
- State estimation with quantum extreme learning machines beyond the scrambling time [0.0]
我々は、多くの異なる種類の力学に対して、スクランブル時間を超えても効率的な状態推定が可能であることを示している。
これらの結果は、堅牢なQELMベースの状態推定プロトコルのための有望な場所を提供する。
論文 参考訳（メタデータ） (2024-09-10T18:00:06Z) - Mixed-Dimensional Qudit State Preparation Using Edge-Weighted Decision Diagrams [3.393749500700096]
量子コンピュータは難解な問題を解く可能性がある。
このポテンシャルを利用するための重要な要素の1つは、多値系(qudit)のために量子状態を効率的に準備する能力である。
本稿では,混合次元系に着目した量子状態生成法について検討する。
論文 参考訳（メタデータ） (2024-06-05T18:00:01Z) - An operational definition of quantum information scrambling [0.0]
量子情報スクランブル(QIS)は、いくつかの量子系の特徴である。
本稿では,QISの定式化に基づく量子状態の量子化に基づく新しい計算効率のQIS量化器を提案する。
等尺的量子進化によって引き起こされるQISの度合いを反映した最適推定確率が、アクセス可能な最小情報に直接接続されていることを示す。
論文 参考訳（メタデータ） (2023-12-18T19:00:01Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。
エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
論文 参考訳（メタデータ） (2023-07-03T10:12:34Z) - 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) - Convergence of reconstructed density matrix to a pure state using
maximal entropy approach [4.084744267747294]
量子系の密度行列を任意の量子ビットに対して純粋な状態に完全に再構成するためのQSTの代替手法を提案する。
我々のゴールは、実際の量子コンピュータにおける量子エラー軽減の分野に応用できる純粋状態の量子システムの実用的な推論を提供することである。
論文 参考訳（メタデータ） (2021-07-02T16:58:26Z) - 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) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。