論文の概要: Krylov Expressivity in Quantum Reservoir Computing and Quantum Extreme Learning
- arxiv url: http://arxiv.org/abs/2409.12079v1
- Date: Wed, 18 Sep 2024 15:54:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-19 16:55:29.545871
- Title: Krylov Expressivity in Quantum Reservoir Computing and Quantum Extreme Learning
- Title(参考訳): 量子貯留層計算と量子エクストリーム学習におけるクリロフ表現性
- Authors: Saud Čindrak, Lina Jaurigue, Kathy Lüdge,
- Abstract要約: この研究は、量子機械学習におけるタスクパフォーマンスの分析にKrylovの複雑さを用いる。
クリロフ空間の拡散複雑性と有効次元を計算し、実効次元を計算し易く、測定可能で、上界表現度尺度として導入する。
- 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 machine learning utilizes the high-dimensional space of quantum systems, attracting significant research interest. This study employs Krylov complexity to analyze task performance in quantum machine learning. We calculate the spread complexity and effective dimension of the Krylov space, introducing the effective dimension as an easy-to-compute, measurable, and upper-bounded expressivity measure. Our analysis covers quantum reservoir computers and quantum extreme learning machines, showing that increasing effective dimension correlates with improved performance. We validate this with the Lorenz cross-prediction task, observing reduced error with higher effective dimensions. Lastly, we compare the spread complexity, the effective dimension, and the fidelity as expressivity measures and show that fidelity is not suitable, while spread complexity can qualitatively explain task performance. Only the effective dimension captures the phase space accurately and exhibits the same saturation as task performance for similar evolution times.
- Abstract(参考訳): 量子機械学習は量子システムの高次元空間を利用しており、重要な研究の関心を集めている。
この研究は、量子機械学習におけるタスクパフォーマンスの分析にKrylovの複雑さを用いる。
クリロフ空間の拡散複雑性と有効次元を計算し、実効次元を計算し易く、測定可能で、上界表現度尺度として導入する。
我々の分析では,量子貯水池コンピュータと量子極端学習マシンを網羅し,有効次元の増大と性能の向上が相関していることを示した。
我々はロレンツクロス予測タスクでこれを検証し、高い有効次元の誤差を観測した。
最後に, 拡散複雑性, 有効次元, 忠実度を表現度の測定値として比較し, 拡散複雑性がタスク性能を質的に説明できる一方で, 忠実度が適切でないことを示す。
有効次元のみが位相空間を正確に捉え、同様の進化時間におけるタスク性能と同じ飽和度を示す。
関連論文リスト
- Quantum continual learning on a programmable superconducting processor [17.787742382926137]
量子分類器は,3つの異なるタスクの知識を段階的に学習し,保持することができることを示す。
本研究は,複数の逐次タスクに適応可能な量子学習システムを実現するための有効な戦略を確立した。
論文 参考訳(メタデータ) (2024-09-15T13:16:56Z) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳(メタデータ) (2024-08-19T12:18:07Z) - Practical Few-Atom Quantum Reservoir Computing [0.0]
量子Reservoir Computing (QRC) は、複雑な計算問題に異常な効率とエネルギー使用量の最小化で対処するために量子システムを利用する。
本稿では、光学キャビティ内の2レベル原子をわずかに含む最小限の量子貯水池を利用するQRCフレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-08T04:14:31Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳(メタデータ) (2023-11-07T04:35:03Z) - Learning Quantum Processes with Quantum Statistical Queries [0.0]
本稿では,量子統計クエリモデル内で量子プロセス学習を研究するための最初の学習フレームワークを紹介する。
保証可能な性能保証を伴う任意の量子プロセスに対する効率的なQPSQ学習者を提案する。
この研究は、量子プロセスの学習可能性を理解するための重要なステップであり、セキュリティへの影響に光を当てている。
論文 参考訳(メタデータ) (2023-10-03T14:15:20Z) - Quantum reservoir complexity by Krylov evolution approach [0.0]
機械学習タスクにおける所望の性能を評価するため,Krylov進化に基づく強力な物理基盤を持つ高精度な定量的手法を提案する。
以上の結果から,Krylov法は量子貯水池の性能と強く相関し,最適設計の量子貯水池の探索において強力なツールとなることが示唆された。
論文 参考訳(メタデータ) (2023-10-01T21:06:25Z) - Quantifying the Expressive Capacity of Quantum Systems: Fundamental
Limits and Eigentasks [0.0]
機械学習のための量子システムの表現能力は、測定中に発生する量子サンプリングノイズによって制限される。
有限個の測定値から一般量子系の表現能力を評価するための数学的枠組みを提案する。
低ノイズ固有タスクを抽出することで,分類や過度適合性などの機械学習タスクのパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2022-12-30T20:15:31Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - 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) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳(メタデータ) (2021-01-21T22:18:49Z)
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。