論文の概要: Quantum Reservoir Computing Implementations for Classical and Quantum Problems
- arxiv url: http://arxiv.org/abs/2211.08567v2
- Date: Mon, 01 Sep 2025 09:42:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-03 20:08:26.058493
- Title: Quantum Reservoir Computing Implementations for Classical and Quantum Problems
- Title（参考訳）: 古典的および量子的問題に対する量子貯留層計算の実装
- Authors: Adam Burgess, Marian Florescu,
- Abstract要約: 量子貯水池コンピューティングは、量子機械学習の分野において有望なパラダイムとして登場した。
量子貯水池の複雑な力学を利用して、量子に着想を得た機械学習手法の可能性を探る。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum reservoir computing has emerged as a promising paradigm within the field of quantum machine learning, harnessing the inherent properties of quantum systems to optimise and enhance information processing capabilities. Here, we explore the potential of quantum-inspired machine learning methodologies by leveraging the complex dynamics of quantum reservoirs to address computationally challenging tasks with enhanced efficiency and accuracy. To this end, we employ an open quantum system model comprising two-level atomic ensembles coupled to Lorentzian photonic cavities to construct a quantum physical reservoir computer layer for a recurrent neural network. We evaluate the effectiveness of this approach by applying it to a standard machine learning image-recognition problem and benchmarking its performance against a conventional neural network of similar architecture, but lacking the quantum physical reservoir computer layer. Remarkably, as the dataset size increases, the quantum physical reservoir computer outperforms the conventional neural network, requiring fewer training epochs and a smaller dataset to achieve comparable accuracy. Furthermore, we employ the quantum physical reservoir computing approach to model the dynamics of open quantum systems, focusing on atomic system ensembles interacting with a structured photonic reservoir associated with a photonic band-gap material. Our results reveal that the quantum reservoir computer provides equally powerful representations for quantum dynamical problems, maintaining effectiveness even under constraints of limited training data.
- Abstract（参考訳）: 量子貯水池コンピューティングは量子機械学習の分野で有望なパラダイムとして登場し、量子システム固有の特性を活用して情報処理能力の最適化と強化を行っている。
本稿では、量子貯水池の複雑な力学を利用して、効率と精度を向上した計算上の課題に対処することで、量子に着想を得た機械学習手法の可能性を探る。
この目的のために、ローレンツフォトニックキャビティに結合した2レベル原子アンサンブルからなるオープン量子システムモデルを用いて、リカレントニューラルネットワークのための量子物理貯水池コンピュータ層を構築する。
本手法の有効性は,標準的な機械学習画像認識問題に適用し,類似アーキテクチャのニューラルネットワークに対して性能をベンチマークすることで評価するが,量子物理貯水池コンピュータ層は欠如している。
注目すべきなのは、データセットのサイズが大きくなるにつれて、量子物理貯水池コンピュータは従来のニューラルネットワークよりも優れ、トレーニングのエポックが減り、同等の精度を達成するためにデータセットが小さくなることだ。
さらに、オープン量子系の力学をモデル化するための量子物理貯水池計算手法を用い、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水池と相互作用する原子システムアンサンブルに着目した。
この結果から,量子貯水池コンピュータは量子力学問題に対して等しく強力な表現を提供し,限られた訓練データの制約の下でも有効性を維持していることが明らかとなった。
関連論文リスト
- Enhanced image classification via hybridizing quantum dynamics with classical neural networks [0.0]
本稿では,古典的ニューラルネットワークと量子多体系の非平衡力学を組み合わせたハイブリッドプロトコルを提案する。
このアーキテクチャは、古典的なニューラルネットワークを活用して、高次元データを効率的に処理し、量子多体システム上で効果的にエンコードする。
論文 参考訳（メタデータ） (2025-07-18T00:15:14Z) - 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) - Practical Few-Atom Quantum Reservoir Computing [0.0]
量子Reservoir Computing (QRC) は、複雑な計算問題に異常な効率とエネルギー使用量の最小化で対処するために量子システムを利用する。
本稿では、光学キャビティ内の2レベル原子をわずかに含む最小限の量子貯水池を利用するQRCフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-08T04:14:31Z) - 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。