論文の概要: Quantum Reservoir Computing Implementations for Classical and Quantum Problems

• arxiv url: http://arxiv.org/abs/2211.08567v1
• Date: Tue, 15 Nov 2022 23:19:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 12:22:36.856906
• Title: Quantum Reservoir Computing Implementations for Classical and Quantum Problems
• Title（参考訳）: 古典・量子問題に対する量子貯留層計算の実装
• Authors: Adam Burgess and Marian Florescu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this article we employ a model open quantum system consisting of two-level atomic systems coupled to Lorentzian photonic cavities, as an instantiation of a quantum physical reservoir computer. We then deployed the quantum reservoir computing approach to an archetypal machine learning problem of image recognition. We contrast the effectiveness of the quantum physical reservoir computer against a conventional approach using neural network of the similar architecture with the quantum physical reservoir computer layer removed. Remarkably, as the data set size is increased the quantum physical reservoir computer quickly starts out perform the conventional neural network. Furthermore, quantum physical reservoir computer provides superior effectiveness against number of training epochs at a set data set size and outperformed the neural network approach at every epoch number sampled. Finally, we have deployed the quantum physical reservoir computer approach to explore the quantum problem associated with the dynamics of open quantum systems in which an atomic system ensemble interacts with a structured photonic reservoir associated with a photonic band gap material. Our results demonstrate that the quantum physical reservoir computer is equally effective in generating useful representations for quantum problems, even with limited training data size.
• Abstract（参考訳）: 本稿では、ロレンツ型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オープン量子システムを用いて、量子物理貯水池コンピュータのインスタンス化を行う。 次に,従来の画像認識の機械学習問題に量子貯水池計算手法を適用した。 同様のアーキテクチャのニューラルネットワークと量子物理貯水池コンピュータ層を除去した従来の手法と,量子物理貯水池コンピュータの有効性を比較した。 注目すべきは、データセットのサイズが大きくなると、量子物理貯水池コンピュータが従来のニューラルネットワークを実行し始めることである。 さらに、量子物理リザーバコンピュータは、データセットサイズのトレーニングエポック数に対して優れた有効性を提供し、サンプリングされたエポック数毎にニューラルネットワークアプローチを上回った。 最後に,原子系のアンサンブルがフォトニックバンドギャップ物質に関連付けられた構造化フォトニック貯留層と相互作用するオープン量子系の力学に関連した量子問題を探索するために,量子物理貯水池コンピュータアプローチを展開した。 その結果,量子物理貯水池コンピュータは,限られたトレーニングデータサイズであっても,量子問題の有用な表現を生成するのに等しく有効であることがわかった。

関連論文リスト

• Photonic Quantum Computers [0.0]
  レビューでは、ノイズの多い中間スケール量子(NISQ)時代のフォトニック量子コンピューティングの重要な瞬間を捉えている。 フォトニック量子コンピュータが量子コンピューティングの未来をどう変えるかについての洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-12T17:16:38Z)
• 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)
• Simulation of Entanglement Generation between Absorptive Quantum Memories [56.24769206561207]
  我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。 本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。 本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
  論文  参考訳（メタデータ） (2022-12-17T05:51:17Z)
• Impact of the form of weighted networks on the quantum extreme reservoir computation [0.0]
  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。
  論文  参考訳（メタデータ） (2022-11-15T01:50:47Z)
• 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)
• 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)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Experimental quantum memristor [0.5396401833457565]
  我々は、集積フォトニクスと単一光子に作用する新しい量子光学メムリスタを、実験的に導入し、実証する。 私たちのデバイスは、即時および短期的な量子ニューロモルフィックアーキテクチャの構築ブロックになる可能性がある。
  論文  参考訳（メタデータ） (2021-05-11T08:42:14Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。