論文の概要: How the form of weighted networks impacts quantum reservoir computation
- arxiv url: http://arxiv.org/abs/2211.07841v1
- Date: Tue, 15 Nov 2022 01:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 12:52:45.264188
- Title: How the form of weighted networks impacts quantum reservoir computation
- Title(参考訳): 重み付きネットワークの形式が量子貯水池計算に与える影響
- Authors: Aoi Hayashi, Akitada Sakurai, Shin Nishio, William J. Munro and Kae
Nemoto
- Abstract要約: 量子極端貯水池計算(QERC)は、汎用的な量子ニューラルネットワークモデルである。
本稿では,その簡単な実装経路を持つ乱れ離散時間結晶に基づく単純なハミルトンモデルが,ほぼ最適性能を実現する方法を示す。
- 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 extreme reservoir computation (QERC) is a versatile quantum neural
network model that combines the concepts of extreme machine learning with
quantum reservoir computation. Key to QERC is the generation of a complex
quantum reservoir (feature space) that does not need to be optimized for
different problem instances. Originally, a periodically-driven system
Hamiltonian dynamics was employed as the quantum feature map. In this work we
capture how the quantum feature map is generated as the number of time-steps of
the dynamics increases by a method to characterize unitary matrices in the form
of weighted networks. Furthermore, to identify the key properties of the
feature map that has sufficiently grown, we evaluate it with various weighted
network models that could be used for the quantum reservoir in image
classification situations. At last, we show how a simple Hamiltonian model
based on a disordered discrete time crystal with its simple implementation
route provides nearly-optimal performance while removing the necessity of
programming of the quantum processor gate by gate.
- Abstract(参考訳): quantum extreme reservoir computation (qerc) は、エクストリーム機械学習の概念と量子貯水池計算を結合した汎用量子ニューラルネットワークモデルである。
QERCの鍵となるのは、異なる問題インスタンスに最適化する必要がない複雑な量子貯水池(機能空間)の生成である。
当初、周期駆動系のハミルトン力学が量子特徴写像として用いられた。
本研究では、重み付きネットワークの形でユニタリ行列を特徴付ける手法により、ダイナミクスの時間ステップ数の増加に伴って量子特徴写像がどのように生成されるかを捉える。
さらに, 十分に成長した特徴マップの重要な特性を明らかにするために, 画像分類状況において, 量子貯留層に使用できる重み付きネットワークモデルを用いて評価を行った。
最後に、単純な実装経路を持つ乱れた離散時間結晶に基づく単純なハミルトニアンモデルが、量子プロセッサゲートをゲートごとにプログラミングする必要性をなくしながら、ほぼ最適に近い性能を提供する方法を示す。
関連論文リスト
- Quantum Mixed-State Self-Attention Network [3.314566358917308]
本稿では、量子コンピューティングの原理と古典的な機械学習アルゴリズムを統合する新しい量子混合状態注意ネットワーク(QMSAN)を紹介する。
QMSANモデルは混合状態に基づく量子アテンション機構を採用し、量子領域内のクエリとキー間の類似性を効率的に直接推定することを可能にする。
本研究は,QMSANが低雑音に対する可換ロバスト性を有することを示すため,異なる量子雑音環境におけるモデルのロバスト性について検討した。
論文 参考訳(メタデータ) (2024-03-05T11:29:05Z) - Quantum Dynamical Hamiltonian Monte Carlo [0.0]
機械学習におけるユビキタスな問題は、ログの確率を通してのみアクセス可能な確率分布からサンプリングすることである。
我々は、チェインモンテカルロ(MCMC)サンプリングのための有名なハミルトンモンテカルロ法を拡張し、ハイブリッド方式で量子計算を利用する。
論文 参考訳(メタデータ) (2024-03-04T07:08:23Z) - Quantum Reservoir Computing Implementations for Classical and Quantum
Problems [0.0]
ローレンツフォトニックキャビティに結合した2レベル原子系からなるモデル開放量子系を用いる。
次に、画像認識の古き良き機械学習問題に量子貯水池コンピューティングアプローチを展開させる。
論文 参考訳(メタデータ) (2022-11-15T23:19:26Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳(メタデータ) (2021-12-10T17:32:15Z) - An Application of Quantum Machine Learning on Quantum Correlated
Systems: Quantum Convolutional Neural Network as a Classifier for Many-Body
Wavefunctions from the Quantum Variational Eigensolver [0.0]
最近提案された量子畳み込みニューラルネットワーク(QCNN)は、量子回路を使用するための新しいフレームワークを提供する。
ここでは、一次元逆場イジングモデル(TFIM)に対する変分量子固有解器の波動関数によるQCNNのトレーニング結果を示す。
QCNNは、それから遠く離れた波動関数によって訓練されたとしても、量子臨界点の周りの波動関数の対応する位相を予測するために訓練することができる。
論文 参考訳(メタデータ) (2021-11-09T12:08:49Z) - 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) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳(メタデータ) (2021-04-01T19:06:00Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - A Neural-Network Variational Quantum Algorithm for Many-Body Dynamics [15.435967947933404]
量子多体系の時間進化をシミュレートするニューラルネットワーク-ネットワーク変分量子アルゴリズムを提案する。
提案アルゴリズムは、測定コストの低い短期量子コンピュータに効率よく実装することができる。
論文 参考訳(メタデータ) (2020-08-31T02:54:09Z)
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。