論文の概要: Quantum-Discrete-Map-Based Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2305.15976v1
• Date: Thu, 25 May 2023 12:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 15:29:52.396684
• Title: Quantum-Discrete-Map-Based Recurrent Neural Networks
• Title（参考訳）: 量子離散マップに基づくリカレントニューラルネットワーク
• Authors: Tai-Ping Sun, Zhao-Yun Chen, Cheng Xue, Shi-Xin Ma, Huan-Yu Liu, Yu-Chun Wu, Guo-Ping Guo
• Abstract要約: 本稿では,量子離散マップに基づくリカレントニューラルネットワーク(QDM-RNN)を提案する。 本研究では、量子機械学習の新しいパラダイムを導入し、非線形力学における量子コンピューティングの可能性を強調した。
• 参考スコア（独自算出の注目度）: 3.502817803121613
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Quantum machine learning is a rapidly growing domain and its potential has been explored for time series prediction and dynamics simulation in existing works. In this study, we propose a quantum-discrete-map-based recurrent neural network (QDM-RNN) to overcome the limitations posed by the circuit depth growing with the length of time series. From a discrete-dynamical perspective, quantum circuits are leveraged to build the discrete map and hence the discrete dynamical system. This approach involves measuring partial qubits to obtain historical information (memory) that is reused in the encoding layer of next time step, and measuring the other qubits to retrieve classical information as output. The nonlinear properties of the quantum discrete map make it appealing for embedding low-dimensional dynamics into higher dimensions, which is consistent with recurrent learning tricks. In numerical simulations, the QDM-RNN is implemented with one-feature datasets of waves and two-feature datasets of dynamics to demonstrate its capability. Our study introduces a new paradigm for quantum machine learning and highlights the potential of quantum computing in nonlinear dynamics.
• Abstract（参考訳）: 量子機械学習は急速に成長する領域であり、そのポテンシャルは既存の研究における時系列予測と動的シミュレーションのために研究されている。 本研究では,回路の深さが時間軸長とともに大きくなることによる限界を克服するために,量子ディスクレートマップを用いたリカレントニューラルネットワーク(qdm-rnn)を提案する。 離散力学の観点からは、量子回路は離散写像と離散力学系を構築するために利用される。 このアプローチでは、次のステップのエンコーディング層で再利用される履歴情報(メモリ)を取得するために部分量子ビットを測定し、古典情報を出力として取得するために他の量子ビットを測定する。 量子離散写像の非線形特性は、高次元に低次元のダイナミクスを埋め込むことに魅力を与え、これは繰り返し学習のトリックと一致する。 数値シミュレーションにおいて、qdm-rnnは波動の1つの特徴データセットとダイナミクスの2つの特徴データセットで実装され、その能力を示す。 本研究では,量子機械学習の新しいパラダイムを導入し,非線形力学における量子コンピューティングの可能性を強調した。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Learning to Program Variational Quantum Circuits with Fast Weights [3.6881738506505988]
  本稿では,時間的あるいはシーケンシャルな学習課題に対する解決法として,QFWP(Quantum Fast Weight Programmers)を提案する。 提案したQFWPモデルは、量子リカレントニューラルネットワークの使用を必要とせずに、時間的依存関係の学習を実現する。 本研究では, 時系列予測とRLタスクにおいて, 提案したQFWPモデルの有効性を示す数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2024-02-27T18:53:18Z)
• Time series prediction of open quantum system dynamics [1.0521195067086913]
  時系列予測(TSP)は、生命科学や金融など様々な分野で、将来のトレンドを予測するために広く利用されている。 我々は、深層学習技術を用いて、TSPモデルを訓練し、その性能を正確な解と比較して評価する。 本研究は,短期・長期の予測において,時系列の固有特性を効果的に把握する能力を有することを示す。
  論文  参考訳（メタデータ） (2024-01-12T05:02:15Z)
• Quantum Next Generation Reservoir Computing: An Efficient Quantum Algorithm for Forecasting Quantum Dynamics [1.9260081982051918]
  NG-RCは、積分可能系とカオス系の両方において、完全多体量子力学を正確に予測できることを示す。 本稿では,ブロック符号化手法を用いて,量子計算の高速化による多体量子力学予測のためのエンドツーエンド量子アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-28T00:34:40Z)
• A Model for Circuit Execution Runtime And Its Implications for Quantum Kernels At Practical Data Set Sizes [0.5906031288935515]
  本稿では,量子回路に要する総回路実行時間に関するモデルを提案する。 また、「回路の量子体積層の有効数」の概念も導入する。 現在の量子コンピュータの速度で、我々のモデルはデータセットを数時間で処理できると予測している。
  論文  参考訳（メタデータ） (2023-07-11T02:38:22Z)
• 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)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• Time Series Quantum Reservoir Computing with Weak and Projective Measurements [0.0]
  貯水池の量子性を利用して理想的な性能が得られることを示す。 1つは、貯水池のフェーディングメモリによって決定されるダイナミクスの巻き戻し部分と、入力シーケンスの対応するデータを記憶する。 他方は、必要なメモリを邪魔することなく、正確に情報を抽出できるトレードオフでオンラインに動作する弱い測定方法を採用している。
  論文  参考訳（メタデータ） (2022-05-13T17:57:39Z)
• 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)
• 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)
• Continuous-time dynamics and error scaling of noisy highly-entangling quantum circuits [58.720142291102135]
  最大21キュービットの雑音量子フーリエ変換プロセッサをシミュレートする。 我々は、デジタルエラーモデルに頼るのではなく、微視的な散逸過程を考慮に入れている。 動作中の消散機構によっては、入力状態の選択が量子アルゴリズムの性能に強い影響を与えることが示される。
  論文  参考訳（メタデータ） (2021-02-08T14:55:44Z)

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。