論文の概要: Memory-Augmented Hybrid Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2409.09886v2
• Date: Tue, 12 Nov 2024 11:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:16:09.617244
• Title: Memory-Augmented Hybrid Quantum Reservoir Computing
• Title（参考訳）: メモリ強化型ハイブリッド量子貯留層計算
• Authors: J. Settino, L. Salatino, L. Mariani, M. Channab, L. Bozzolo, S. Vallisa, P. Barillà, A. Policicchio, N. Lo Gullo, A. Giordano, C. Mastroianni, F. Plastina,
• Abstract要約: 本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Reservoir computing (RC) is an effective method for predicting chaotic systems by using a high-dimensional dynamic reservoir with fixed internal weights, while keeping the learning phase linear, which simplifies training and reduces computational complexity compared to fully trained recurrent neural networks (RNNs). Quantum reservoir computing (QRC) uses the exponential growth of Hilbert spaces in quantum systems, allowing for greater information processing, memory capacity, and computational power. However, the original QRC proposal requires coherent injection of inputs multiple times, complicating practical implementation. We present a hybrid quantum-classical approach that implements memory through classical post-processing of quantum measurements. This approach avoids the need for multiple coherent input injections and is evaluated on benchmark tasks, including the chaotic Mackey-Glass time series prediction. We tested our model on two physical platforms: a fully connected Ising model and a Rydberg atom array. The optimized model demonstrates promising predictive capabilities, achieving a higher number of steps compared to previously reported approaches.
• Abstract（参考訳）: 貯留層計算(Reservoir Computing, RC)は、学習フェーズを線形に保ちながら、内部重みを固定した高次元動的貯水池を用いてカオスシステムを予測するための有効な手法である。 量子貯水池コンピューティング(QRC)は、量子システムにおけるヒルベルト空間の指数的成長を利用して、情報処理、メモリ容量、計算能力を高める。 しかし、元のQRC提案では、入力を複数回コヒーレントに注入する必要があるため、実践的な実装が複雑になる。 本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 このアプローチは複数のコヒーレントな入力インジェクションの必要性を回避し、カオスなMackey-Glass時系列予測を含むベンチマークタスクで評価される。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。 最適化されたモデルは期待できる予測能力を示し、以前報告されたアプローチよりも多くのステップを達成する。

関連論文リスト

• 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)
• Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
  重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。 さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-01T20:21:52Z)
• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
  本稿では,量子回路実行の並列化モデルを提案する。 このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
  論文  参考訳（メタデータ） (2024-06-05T17:16:07Z)
• Practical and Scalable Quantum Reservoir Computing [0.0]
  量子貯留層計算(Quantum Reservoir Computing)は、量子システムを利用して、前例のない効率と省エネルギーで複雑な計算課題を解決する。 本稿では, 単一モード光空洞内の2レベル原子からなる量子光学貯留層を用いた新しいQRCフレームワークを提案する。 我々は,2つの主要なタスク,すなわち正方形波形の分類による時系列データの予測を通じて,貯水池の性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T04:14:31Z)
• Sparse Quantum State Preparation for Strongly Correlated Systems [0.0]
  原理として、指数関数的にスケールする多電子波関数を線形にスケールする量子ビットレジスタに符号化することは、従来の量子化学法の限界を克服するための有望な解決策を提供する。 基底状態量子アルゴリズムが実用的であるためには、量子ビットの初期化が要求される基底状態の高品質な近似に必須である。 量子状態準備(QSP)は、古典的な計算から得られる近似固有状態の生成を可能にするが、量子情報のオラクルとして頻繁に扱われる。
  論文  参考訳（メタデータ） (2023-11-06T18:53:50Z)
• High-rate discretely-modulated continuous-variable quantum key distribution using quantum machine learning [4.236937886028215]
  本稿では,量子機械学習技術を用いた離散変調連続可変量子鍵分布(DM CVQKD)の高速化手法を提案する。 低複雑さ量子k-アネレスト近傍(QkNN)は、ボブ側での離散変調コヒーレント状態(DMCS)の損失を予測するために設計されている。 シミュレーションにより,提案手法の秘密鍵レートは既存のDM CVQKDプロトコルよりも明らかに優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-07T04:00:13Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• 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)

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。