論文の概要: Benchmarking the role of particle statistics in Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2302.07164v1
• Date: Tue, 14 Feb 2023 16:23:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 14:58:59.035074
• Title: Benchmarking the role of particle statistics in Quantum Reservoir Computing
• Title（参考訳）: 量子貯留層計算における粒子統計の役割のベンチマーク
• Authors: Guillem Llodr\`a, Christos Charalambous, Gian Luca Giorgi, Roberta Zambrini
• Abstract要約: 線形および非線形メモリ容量を測定し,過去の入力からの情報を保存するボソン,フェルミオン,量子ビットの能力について検討した。 最も単純なハミルトン式貯水池では、フェルミオンはその固有の非局所的性質のために最良の貯水池を提供する。 調整された入力注入戦略により、ヒルベルト空間の自由度をボソニック量子貯水池計算に活用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum reservoir computing is a neuro-inspired machine learning approach harnessing the rich dynamics of quantum systems to solve temporal tasks. It has gathered attention for its suitability for NISQ devices, for easy and fast trainability, and for potential quantum advantage. Although several types of systems have been proposed as quantum reservoirs, differences arising from particle statistics have not been established yet. In this work, we assess and compare the ability of bosons, fermions, and qubits to store information from past inputs by measuring linear and nonlinear memory capacity. While, in general, the performance of the system improves with the Hilbert space size, we show that also the information spreading capability is a key factor. For the simplest reservoir Hamiltonian choice, and for each boson limited to at most one excitation, fermions provide the best reservoir due to their intrinsic nonlocal properties. On the other hand, a tailored input injection strategy allows the exploitation of the abundance of degrees of freedom of the Hilbert space for bosonic quantum reservoir computing and enhances the computational power compared to both qubits and fermions.
• Abstract（参考訳）: 量子リザーバコンピューティング(quantum reservoir computing)は、時間的タスクを解決するために量子システムの豊富なダイナミクスを活用する、神経インスパイアされた機械学習アプローチである。 NISQデバイスへの適合性、容易で高速なトレーニング性、潜在的な量子的優位性に注目が集まっている。 数種類の系が量子貯水池として提案されているが、素粒子統計から生じる差はまだ確立されていない。 本研究では,線形および非線形メモリ容量を測定することで,過去の入力からの情報を保存するボソン,フェルミオン,および量子ビットの能力を評価し,比較する。 一般に、システムの性能はヒルベルト空間サイズで向上するが、情報拡散能力も重要な要因であることを示す。 最も単純な貯水池ハミルトニアンの選択と、少なくとも1つの励起に制限された各ボーソンに対して、フェルミオンは固有の非局所的性質のために最適な貯水池を提供する。 一方、調整された入力注入戦略により、ヒルベルト空間の自由度をボソニック量子貯水池計算に活用することができ、量子ビットとフェルミオンの双方と比較して計算能力を高めることができる。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• 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 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)
• Exploring quantum mechanical advantage for reservoir computing [0.0]
  量子貯水池の量子特性と線形短期記憶性能の関連性を確立する。 貯水池における高い絡み合いは,より複雑な貯水池力学の前提条件であることがわかった。 本稿では,物理量子貯水池の性能に及ぼすデファスティングの影響について論じる。
  論文  参考訳（メタデータ） (2023-02-07T17:07:28Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Quantum Reservoir Computing for Speckle-Disorder Potentials [0.0]
  量子貯水池コンピューティング(Quantum reservoir computing)は、情報を処理するメモリを持つ量子システムのダイナミクスを活用するために設計された機械学習手法である。 この手法はスピンの量子貯水池を用いて導入され、追加の量子系の基底状態エネルギーを求めるために応用される。 この課題は, 貯水池から抽出した可観測量に着目して解析し, 2ビット相関を用いた場合の強化効果を示す。
  論文  参考訳（メタデータ） (2022-01-26T18:04:49Z)
• 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)
• Neuromorphic computing with a single qudit [0.0]
  貯留層計算(Reservoir computing)は、多体量子系の高忠実度制御の代替である。 ここでは、単一のキューディット(d$D量子系)からなる貯水池を考える。 類似の古典システムと比較して,ロバストな性能上の優位性を示す。
  論文  参考訳（メタデータ） (2021-01-27T22:35:22Z)

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。