論文の概要: Density Matrix Emulation of Quantum Recurrent Neural Networks for
Multivariate Time Series Prediction
- arxiv url: http://arxiv.org/abs/2310.20671v1
- Date: Tue, 31 Oct 2023 17:32:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 13:52:12.834066
- Title: Density Matrix Emulation of Quantum Recurrent Neural Networks for
Multivariate Time Series Prediction
- Title（参考訳）: 多変量時系列予測のための量子リカレントニューラルネットワークの密度行列エミュレーション
- Authors: Jos\'e Daniel Viqueira, Daniel Fa\'ilde, Mariamo M. Juane, Andr\'es
G\'omez and David Mera
- Abstract要約: 量子リカレントニューラルネットワーク(QRNN)は、多変量時系列の将来の値をモデル化し予測するための頑健な候補である。
QRNNが複雑な入力系列の非自明なパターンを捉えることで、将来の値の正確な予測を行う方法を示す。
- 参考スコア（独自算出の注目度）: 0.07499722271664144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Recurrent Neural Networks (QRNNs) are robust candidates to model and
predict future values in multivariate time series. However, the effective
implementation of some QRNN models is limited by the need of mid-circuit
measurements. Those increase the requirements for quantum hardware, which in
the current NISQ era does not allow reliable computations. Emulation arises as
the main near-term alternative to explore the potential of QRNNs, but existing
quantum emulators are not dedicated to circuits with multiple intermediate
measurements. In this context, we design a specific emulation method that
relies on density matrix formalism. The mathematical development is explicitly
provided as a compact formulation by using tensor notation. It allows us to
show how the present and past information from a time series is transmitted
through the circuit, and how to reduce the computational cost in every time
step of the emulated network. In addition, we derive the analytical gradient
and the Hessian of the network outputs with respect to its trainable
parameters, with an eye on gradient-based training and noisy outputs that would
appear when using real quantum processors. We finally test the presented
methods using a novel hardware-efficient ansatz and three diverse datasets that
include univariate and multivariate time series. Our results show how QRNNs can
make accurate predictions of future values by capturing non-trivial patterns of
input series with different complexities.
- Abstract（参考訳）: 量子リカレントニューラルネットワーク(QRNN)は、多変量時系列の将来の値をモデル化し予測するための堅牢な候補である。
しかし、いくつかのQRNNモデルの効果的な実装は、中間回路計測の必要性によって制限されている。
これらは、現在のNISQ時代に信頼性の高い計算を許さない量子ハードウェアの要求を増加させる。
エミュレーションはqrnnのポテンシャルを探究するための主要な短期的代替として発生するが、既存の量子エミュレータは複数の中間測定値を持つ回路専用ではない。
この文脈では、密度行列形式に依存する特定のエミュレーション法を設計する。
数学的発展はテンソル表記を用いてコンパクトな定式化として明示的に提供される。
これにより、時系列からの現在および過去の情報が回路を介してどのように送信され、エミュレートされたネットワークの時間ステップ毎に計算コストを削減するかを示すことができる。
さらに、実際の量子プロセッサを使用する際に現れる、勾配に基づくトレーニングとノイズのアウトプットに注目して、そのトレーニング可能なパラメータに関するネットワーク出力の解析的勾配とヘッシアンを導出する。
ハードウェア効率の良い新しいアンサッツと,単変量および多変量時系列を含む3つの多様なデータセットを用いて,提案手法を検証した。
以上の結果から,QRNNが複雑な入力系列の非自明なパターンを捉えることで,将来の値の正確な予測を行うことができることを示す。
関連論文リスト
- MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。
特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。
4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
論文 参考訳（メタデータ） (2025-01-27T12:15:51Z) - 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) - A Quantum Optical Recurrent Neural Network for Online Processing of
Quantum Times Series [0.7087237546722617]
量子光リカレントニューラルネットワーク(QORNN)は,量子チャネルの伝送速度を高めることができることを示す。
また、同モデルが不要であれば、同様のメモリ効果に対処できることも示している。
我々は、この最後のタスクの小さなバージョンをフォトニックプロセッサのBorealis上で実行します。
論文 参考訳（メタデータ） (2023-05-31T19:19:25Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Quantum Quantile Mechanics: Solving Stochastic Differential Equations
for Generating Time-Series [19.830330492689978]
微分方程式(SDE)の解からサンプリングする量子アルゴリズムを提案する。
我々は、基礎となる確率分布の量子関数を表現し、サンプルを期待値として抽出する。
本手法は,Ornstein-Uhlenbeck過程をシミュレーションし,初期点と異なるタイミングでサンプリングすることによって検証する。
論文 参考訳（メタデータ） (2021-08-06T16:14:24Z) - Learning temporal data with variational quantum recurrent neural network [0.5658123802733283]
パラメタライズド量子回路を用いて時間データを学習する手法を提案する。
この研究は、時間データの学習に複雑な量子力学を利用する方法を提供する。
論文 参考訳（メタデータ） (2020-12-21T10:47:28Z) - Random Sampling Neural Network for Quantum Many-Body Problems [0.0]
本稿では,対話型多体システムのランダムサンプリング行列要素に対して,自己教師型学習手法を用いてパターン認識手法を用いたランダムサンプリングニューラルネットワーク(Random Smpling Neural Networks, RNN)を提案する。
RSNNの適用性をテストするために、横フィールドを持つIsingモデル、Fermi-Hubbardモデル、Spin-$1/2$$XXZ$モデルなど、正確に解決可能ないくつかの1Dモデルが使用されている。
論文 参考訳（メタデータ） (2020-11-10T15:52:44Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。