論文の概要: Solving the time-complexity problem and tuning the performance of
quantum reservoir computing by artificial memory restriction
- arxiv url: http://arxiv.org/abs/2306.12876v1
- Date: Thu, 22 Jun 2023 13:37:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 14:25:50.569660
- Title: Solving the time-complexity problem and tuning the performance of
quantum reservoir computing by artificial memory restriction
- Title(参考訳): 時間複雑化問題の解法と人工メモリ制限による量子貯水池計算の性能調整
- Authors: Saud \v{C}indrak, Brecht Donvil, Kathy L\"udge, Lina Jaurigue
- Abstract要約: 時間的タスクを解くための量子貯水池計算の適合性は、測定が行われると量子システムの崩壊によって妨げられる。
少数の入力のみを用いて量子貯水池のメモリを人工的に制限することを提案する。
線形および二次的なアルゴリズムを,完全連結な逆イジングモデルと量子プロセッサモデルに対して数値的に検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum reservoir computing is a computing approach which aims at utilising
the complexity and high-dimensionality of small quantum systems, together with
the fast trainability of reservoir computing, in order to solve complex tasks.
The suitability of quantum reservoir computing for solving temporal tasks is
hindered by the collapse of the quantum system when measurements are made. This
leads to the erasure of the memory of the reservoir. Hence, for every output,
the entire input signal is needed to reinitialise the reservoir, leading to
quadratic time complexity. Overcoming this issue is critical to the hardware
implementation of quantum reservoir computing. We propose artificially
restricting the memory of the quantum reservoir by only using a small number
inputs to reinitialise the reservoir after measurements are performed, leading
to linear time complexity. This not only substantially reduces the number of
quantum operations needed to perform timeseries prediction tasks, it also
provides a means of tuning the nonlinearity of the response of the reservoir,
which can lead to significant performance improvement. We numerically study the
linear and quadratic algorithms for a fully connected transverse Ising model
and a quantum processor model. We find that our proposed linear algorithm not
only significantly reduces the computational cost but also provides an
experimental accessible means to optimise the task specific reservoir computing
performance.
- Abstract(参考訳): 量子リザーバコンピューティング(quantum reservoir computing)は、複雑なタスクを解決するために、小さな量子システムの複雑性と高次元を、リザーバコンピューティングの高速トレーサビリティとともに活用することを目的としたコンピューティングアプローチである。
時間的タスクを解くための量子貯水池計算の適合性は、測定が行われると量子システムの崩壊によって妨げられる。
これにより貯水池の記憶が消去される。
したがって、全ての出力に対して、貯水池を再起動するために入力信号全体が必要であるため、二次的な時間的複雑さが生じる。
この問題を克服することは、量子貯水池コンピューティングのハードウェア実装に不可欠である。
本稿では,少数の入力のみを用いて量子貯水池のメモリを人工的に制限し,測定後に貯水池を再起動させる手法を提案する。
これにより、時系列予測タスクの実行に必要な量子演算数が大幅に削減されるだけでなく、貯水池の応答の非線形性を調整する手段も提供され、性能が大幅に向上する。
線形および二次的なアルゴリズムを,完全連結な逆イジングモデルと量子プロセッサモデルに対して数値的に検討する。
提案する線形アルゴリズムは計算コストを大幅に削減するだけでなく,タスク固有の貯留層計算性能を最適化する実験的な手段を提供する。
関連論文リスト
- Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳(メタデータ) (2023-09-11T18:00:00Z) - Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。
本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。
大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
論文 参考訳(メタデータ) (2023-09-01T18:02:04Z) - Optimizing quantum noise-induced reservoir computing for nonlinear and
chaotic time series prediction [2.5427629797261297]
我々は, 量子雑音による貯水池を改良し, 貯水池の騒音を表現的非線形信号を生成するための資源として利用する。
その結果,1つのノイズモデルと少ないメモリ容量で,非線形ベンチマークにおいて優れたシミュレーション結果が得られた。
論文 参考訳(メタデータ) (2023-03-09T18:40:03Z) - The Basis of Design Tools for Quantum Computing: Arrays, Decision
Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。
完全に自動化された量子ソフトウェアスタックを開発する必要がある。
この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
論文 参考訳(メタデータ) (2023-01-10T19:00:00Z) - Accelerating the training of single-layer binary neural networks using
the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。
しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文 参考訳(メタデータ) (2022-10-23T11:58:05Z) - 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) - Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。
これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。
本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
論文 参考訳(メタデータ) (2022-02-17T18:59:20Z) - 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) - Natural quantum reservoir computing for temporal information processing [4.785845498722406]
貯留層計算(Reservoir computing)は、人工的または物理的散逸動態を利用する時間情報処理システムである。
本稿では, 量子ビットに付加される自然ノイズによって散逸特性が供給される貯水池として, 現実の超伝導量子コンピューティングデバイスを用いる方法を提案する。
論文 参考訳(メタデータ) (2021-07-13T01:58:57Z) - Reservoir Computing Approach to Quantum State Measurement [0.0]
貯留層計算(Reservoir computing)は、超伝導多ビット系の量子計測における資源効率の高い解である。
このデバイスを動作させて2量子状態トモグラフィーと連続パリティモニタリングを行う方法を示す。
論文 参考訳(メタデータ) (2020-11-19T04:46:15Z) - Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。
より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文 参考訳(メタデータ) (2020-01-28T17:35:32Z)
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。