論文の概要: Optimal training of finitely-sampled quantum reservoir computers for forecasting of chaotic dynamics
- arxiv url: http://arxiv.org/abs/2409.01394v1
- Date: Mon, 2 Sep 2024 17:51:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 04:14:12.718002
- Title: Optimal training of finitely-sampled quantum reservoir computers for forecasting of chaotic dynamics
- Title（参考訳）: カオス力学予測のための有限サンプル量子貯水池コンピュータの最適トレーニング
- Authors: Osama Ahmed, Felix Tennie, Luca Magri,
- Abstract要約: 現在のノイズ中間スケール量子(NISQ)時代には、ノイズの存在は量子コンピューティングアルゴリズムの性能を悪化させる。
本稿では,有限サンプリングノイズが量子貯留層計算(QRC)と再帰性のない量子貯留層計算(RF-QRC)のカオス的時系列予測能力に与える影響を解析する。
有限サンプリングノイズはQRCとRF-QRCの両方の予測能力を劣化させるが,ノイズの伝搬によりQRCに悪影響を及ぼすことを示す。
- 参考スコア（独自算出の注目度）: 3.7960472831772765
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In the current Noisy Intermediate Scale Quantum (NISQ) era, the presence of noise deteriorates the performance of quantum computing algorithms. Quantum Reservoir Computing (QRC) is a type of Quantum Machine Learning algorithm, which, however, can benefit from different types of tuned noise. In this paper, we analyse the effect that finite-sampling noise has on the chaotic time-series prediction capabilities of QRC and Recurrence-free Quantum Reservoir Computing (RF-QRC). First, we show that, even without a recurrent loop, RF-QRC contains temporal information about previous reservoir states using leaky integrated neurons. This makes RF-QRC different from Quantum Extreme Learning Machines (QELM). Second, we show that finite sampling noise degrades the prediction capabilities of both QRC and RF-QRC while affecting QRC more due to the propagation of noise. Third, we optimize the training of the finite-sampled quantum reservoir computing framework using two methods: (a) Singular Value Decomposition (SVD) applied to the data matrix containing noisy reservoir activation states; and (b) data-filtering techniques to remove the high-frequencies from the noisy reservoir activation states. We show that denoising reservoir activation states improve the signal-to-noise ratios with smaller training loss. Finally, we demonstrate that the training and denoising of the noisy reservoir activation signals in RF-QRC are highly parallelizable on multiple Quantum Processing Units (QPUs) as compared to the QRC architecture with recurrent connections. The analyses are numerically showcased on prototypical chaotic dynamical systems with relevance to turbulence. This work opens opportunities for using quantum reservoir computing with finite samples for time-series forecasting on near-term quantum hardware.
- Abstract（参考訳）: 現在のノイズ中間スケール量子(NISQ)時代には、ノイズの存在は量子コンピューティングアルゴリズムの性能を悪化させる。
量子Reservoir Computing (QRC) は量子機械学習アルゴリズムの一種であり、様々な種類のチューニングノイズの恩恵を受けることができる。
本稿では,QRCとRF-QRCのカオス的時系列予測能力に及ぼす有限サンプリングノイズの影響を解析する。
まず、繰り返しループがなくても、RF-QRCは漏れた集積ニューロンを用いて、過去の貯水状態に関する時間情報を含むことを示す。
これにより、RF-QRCはQuantum Extreme Learning Machines (QELM)とは異なる。
第2に, 有限サンプリングノイズはQRCとRF-QRCの両方の予測能力を劣化させ, ノイズの伝搬によりQRCに悪影響を及ぼすことを示した。
第3に、2つの手法を用いて有限サンプル量子貯水池計算フレームワークのトレーニングを最適化する。
(a)ノイズ貯水池活性化状態を含むデータマトリックスに適用される特異値分解(SVD)及び
(b) ノイズの多い貯水池活性化状態から高周波を取り除くためのデータフィルタリング技術。
本研究は,貯水池活性化状態が訓練損失を小さくして信号対雑音比を向上することを示す。
最後に、RF-QRCにおけるノイズ発生活性化信号のトレーニングと復調は、繰り返し接続を持つQRCアーキテクチャと比較して、複数の量子処理ユニット(QPU)上で高い並列化が可能であることを示す。
これらの解析は乱流に関連する原型カオス力学系に数値的に示される。
この研究は、短期量子ハードウェア上での時系列予測のための有限サンプルを用いた量子貯水池計算の機会を開放する。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Accurate Numerical Simulations of Open Quantum Systems Using Spectral Tensor Trains [0.0]
量子ビット間のデコヒーレンス(英語版)は、量子計算における主要なボトルネックである。
数値計算法Q-ASPEN(Quantum Accelerated Propagator Evaluation)を提案する。
Q-ASPENは任意に正確であり、誤り訂正量子計算に必要なリソースを推定するために適用することができる。
論文 参考訳（メタデータ） (2024-07-16T02:33:27Z) - Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation
via Neural Networks [0.4779196219827508]
変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。
量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。
本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-10T15:35:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Overcoming the Coherence Time Barrier in Quantum Machine Learning on Temporal Data [0.0]
量子ビット型量子システムのための機械学習アルゴリズム NISQRC を提案する。
NISQRCはコヒーレンス時間によって制限されず、任意の長さのテスト信号を復元できることを示す。
論文 参考訳（メタデータ） (2023-12-26T18:54:33Z) - Real-time error mitigation for variational optimization on quantum
hardware [45.935798913942904]
VQCを用いた量子チップ上の関数の適合を支援するために,RTQEM(Real Time Quantum Error Mitigation)アルゴリズムを定義する。
我々のRTQEMルーチンは、損失関数の破損を減らすことにより、VQCのトレーニング性を向上させることができる。
論文 参考訳（メタデータ） (2023-11-09T19:00:01Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。
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。
これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
論文 参考訳（メタデータ） (2023-10-18T17:59:45Z) - Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。
本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。
分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
論文 参考訳（メタデータ） (2023-07-05T08:06:41Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Quantum Divide and Compute: Exploring The Effect of Different Noise
Sources [0.9659642285903421]
量子回路をより少ない量子ビットとより浅い深さで小さな断片に分割できる量子除算計算法(QDC)の最初の実装について述べる。
本稿では,QDC法の成功確率に対する異なるノイズ源の影響について検討する。
我々は,IBM の Johannesburg プロセッサ上での実験的な動作を再現するために使用したノイズモデルについて詳述する。
論文 参考訳（メタデータ） (2021-02-07T12:18:04Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。