論文の概要: Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers

• arxiv url: http://arxiv.org/abs/2305.15976v4
• Date: Wed, 22 Oct 2025 01:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:01.226808
• Title: Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers
• Title（参考訳）: 量子コンピュータの長期予測のためのデータ駆動量子動的埋め込み法
• Authors: Tai-Ping Sun, Zhao-Yun Chen, Cheng Xue, Huan-Yu Liu, Xi-Ning Zhuang, Yun-Jie Wang, Shi-Xin Ma, Hai-Feng Zhang, Yu-Chun Wu, Guo-Ping Guo,
• Abstract要約: 量子力学埋め込み(QDE)を用いた時系列予測のためのデータ駆動手法を提案する。 時系列長の独立性に基づき、この手法は深さ効率の高い量子回路を実現する。 数値シミュレーションは、波動信号だけでなく、NARMAのようなより複雑な信号も予測できることを示す。
• 参考スコア（独自算出の注目度）: 6.1549556540537855
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The increasing focus on long-term time series prediction across various fields has been significantly strengthened by advancements in quantum computation. In this paper, we introduce a data-driven method designed for time series prediction with quantum dynamical embedding (QDE). This approach enables a trainable embedding of the data space into an extended state space, allowing for the recursive retrieval of time series information. Based on its independence of time series length, this method achieves depth-efficient quantum circuits that are crucial for near-term quantum computers. Numerical simulations demonstrate the model's capability to predict not only wave signals but also more complex signals such as NARMA. Prediction accuracy improves with model scaling, and notably, the model achieves better accuracy on wave signal tasks with fewer parameters compared to QRC. Additionally, the model shows promising potential for denoising classical noise in wave signals, and when combined with error mitigation techniques for typical quantum noise, it enables reliable long-term prediction of wave signals. We implement this model, restricted to 2 qubits, on the Origin ``Wukong" superconducting quantum processor as a simple proof-of-concept on NISQ devices. Furthermore, we provide theoretical analysis of the QDE's dynamical properties for the 2-qubit case and discuss its potential universality. Overall, this study represents our first step towards leveraging near-term quantum devices for time series forecasting, offering insights into integrating data-driven learning with quantum dynamical embeddings.
• Abstract（参考訳）: 様々な分野にわたる長期時系列予測への焦点の増大は、量子計算の進歩によって著しく強化されている。 本稿では,量子力学埋め込み(QDE)を用いた時系列予測のためのデータ駆動手法を提案する。 このアプローチは、トレーニング可能なデータ空間の拡張状態空間への埋め込みを可能にし、時系列情報の再帰的検索を可能にする。 時系列長の独立性に基づき、この手法は、短期量子コンピュータにとって重要な深度効率の量子回路を実現する。 数値シミュレーションは、波動信号だけでなく、NARMAのようなより複雑な信号も予測できることを示す。 予測精度はモデルスケーリングにより向上し,特にQRCに比べてパラメータが少なく,波動信号の精度が向上する。 さらに、このモデルでは、波形信号に古典雑音をデノベートする有望な可能性を示し、典型的な量子雑音に対する誤差緩和技術と組み合わせることで、波信号の長期予測を可能にする。 NISQデバイス上での単純な概念実証として,超伝導量子プロセッサのOrigin `Wukong" 上で,2量子ビットに制限されたこのモデルを実装した。 さらに、2量子ビットの場合のQDEの力学特性の理論解析を行い、そのポテンシャル普遍性について議論する。 全体として、この研究は、時系列予測に短期的な量子デバイスを活用するための最初のステップであり、量子力学の埋め込みとデータ駆動学習の統合に関する洞察を提供する。

関連論文リスト

• Demonstration of Efficient Predictive Surrogates for Large-scale Quantum Processors [64.50565018996328]
  本稿では,与えられた量子プロセッサの平均値挙動を計算効率よくエミュレートする予測代理の概念を導入する。 これらのサロゲートを用いて、最大20個のプログラム可能な超伝導量子ビットを持つ量子プロセッサをエミュレートし、変分量子固有解器の効率的な事前学習を可能にする。 実験結果から, 予測サロゲートは測定オーバーヘッドを桁違いに低減するだけでなく, 従来の量子リソース集約的な手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-07-23T12:51:03Z)
• Analog Quantum Phase Estimation with Single-Mode Readout [0.46040036610482665]
  固有値推定は量子優位性を示す中心的な問題である。 対象ハミルトニアンの固有エネルギーを抽出するアナログ量子位相推定プロトコルを提案する。 この結果は,短期量子プラットフォームにおける量子位相推定を実現するための,資源効率が高くスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-06-18T17:50:42Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum Reservoir Computing for Realized Volatility Forecasting [0.6249768559720121]
  量子貯水池計算は、非線形時間依存をモデル化するための機械学習と量子計算を組み合わせる。 本研究では,量子貯水池計算のボラティリティ予測への応用について検討する。 以上の結果から,提案手法は様々な指標のベンチマークモデルより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-05-20T05:02:13Z)
• Characterizing Non-Markovian Dynamics of Open Quantum Systems [0.0]
  我々はTCLマスター方程式を用いて非マルコフ進化を特徴付ける構造保存手法を開発した。 本稿では,ローレンス・リバモア国立研究所のQuantum Device Integration Testbed (QuDIT) における超伝導量子ビットの実験データを用いた手法について述べる。 これらの知見は、短期量子プロセッサにおける量子制御とエラー軽減に寄与する、オープン量子システムの効率的なモデリング戦略に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-03-28T04:43:24Z)
• 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。