論文の概要: Quantum reservoir computing with repeated measurements on
superconducting devices
- arxiv url: http://arxiv.org/abs/2310.06706v1
- Date: Tue, 10 Oct 2023 15:29:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 14:44:50.034904
- Title: Quantum reservoir computing with repeated measurements on
superconducting devices
- Title(参考訳): 超伝導デバイス上での繰り返し測定による量子貯水池計算
- Authors: Toshiki Yasuda, Yudai Suzuki, Tomoyuki Kubota, Kohei Nakajima, Qi Gao,
Wenlong Zhang, Satoshi Shimono, Hendra I. Nurdin, Naoki Yamamoto
- Abstract要約: 我々は、繰り返し測定を利用して時系列を生成する量子貯水池(QR)システムを開発した。
我々は,IBMの量子超伝導デバイス上で提案したQRCを実験的に実装し,高い精度と短い実行時間を実現することを示す。
- 参考スコア(独自算出の注目度): 6.868186896932376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reservoir computing is a machine learning framework that uses artificial or
physical dissipative dynamics to predict time-series data using nonlinearity
and memory properties of dynamical systems. Quantum systems are considered as
promising reservoirs, but the conventional quantum reservoir computing (QRC)
models have problems in the execution time. In this paper, we develop a quantum
reservoir (QR) system that exploits repeated measurement to generate a
time-series, which can effectively reduce the execution time. We experimentally
implement the proposed QRC on the IBM's quantum superconducting device and show
that it achieves higher accuracy as well as shorter execution time than the
conventional QRC method. Furthermore, we study the temporal information
processing capacity to quantify the computational capability of the proposed
QRC; in particular, we use this quantity to identify the measurement strength
that best tradeoffs the amount of available information and the strength of
dissipation. An experimental demonstration with soft robot is also provided,
where the repeated measurement over 1000 timesteps was effectively applied.
Finally, a preliminary result with 120 qubits device is discussed.
- Abstract(参考訳): 貯留層コンピューティングは、非線形性と動的システムのメモリ特性を用いて時系列データを予測するために、人工的または物理的散逸的ダイナミクスを使用する機械学習フレームワークである。
量子システムは有望な貯水池と見なされているが、従来の量子貯水池計算(QRC)モデルは実行時間に問題がある。
本稿では,繰り返し測定を利用して時系列を生成する量子貯水池(QR)システムを開発し,実行時間を効果的に短縮する。
我々は,提案したQRCをIBMの量子超伝導デバイス上で実験的に実装し,従来のQRC法よりも精度が高く,実行時間が短いことを示す。
さらに、提案したQRCの計算能力の定量化のために、時間情報処理能力について検討し、特に、この量を用いて、利用可能な情報量と消散強度とを最も相反する測定強度を同定する。
ソフトロボットによる実験実験も行われ、1000回以上の繰り返し測定が効果的に行われた。
最後に、120 qubitsデバイスによる予備結果について述べる。
関連論文リスト
- Reservoir Computing Using Measurement-Controlled Quantum Dynamics [0.0]
共振器内のプローブ原子の力学を利用する量子RCシステムを提案する。
提案した量子貯水池は、少数の人工ニューロンを用いて高速で信頼性の高い予測を行うことができる。
論文 参考訳(メタデータ) (2024-03-01T22:59:41Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - 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) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳(メタデータ) (2022-10-03T09:32:28Z) - Scalable photonic platform for real-time quantum reservoir computing [0.0]
量子貯留層計算(Quantum Reservoir Computing)は、量子システムの情報処理能力を利用して、非自明な時間的タスクを解決する。
最近の進歩は、拡大ヒルベルト空間を利用するQRCの可能性を示している。
クローズドループを循環する同一光パルスの形で貯留層の物理的アンサンブルに基づくリアルタイムQRCに適したフォトニックプラットフォームを提案する。
論文 参考訳(メタデータ) (2022-07-28T11:44:44Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳(メタデータ) (2022-05-30T14:30:45Z) - 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) - 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) - 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) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳(メタデータ) (2020-12-16T21:43:38Z) - Information Processing Capacity of Spin-Based Quantum Reservoir
Computing Systems [0.0]
イジングスピンネットワークを用いた量子貯水池計算(QRC)は古典的な貯水池計算の量子バージョンとして導入された。
我々は、情報処理能力(IPC)を用いたスピンベースQRCモデルの性能を特徴付ける。
この研究は、貯水池計算のためのスピンの量子ネットワークの計算能力を明確に示している。
論文 参考訳(メタデータ) (2020-10-13T13:26:34Z)
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。