Fugu-MT 論文翻訳(概要): Predicting Chaotic Systems with Quantum Echo-state Networks

論文の概要: Predicting Chaotic Systems with Quantum Echo-state Networks

arxiv url: http://arxiv.org/abs/2412.07910v1
Date: Tue, 10 Dec 2024 20:39:16 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-12 14:01:16.011717
Title: Predicting Chaotic Systems with Quantum Echo-state Networks
Title（参考訳）: 量子エコー状態ネットワークによるカオスシステムの予測
Authors: Erik Connerty, Ethan Evans, Gerasimos Angelatos, Vignesh Narayanan,
Abstract要約: 古典的エコー状態ネットワーク(ESN)の実装と改善を目的とした量子回路(QC)について検討する。 QESNは、量子コンピュータのユニークな能力を活用することで、違法に大規模な貯水池の必要性を減らすことを目指している。カオスロレンツシステムにおいて,ノイズモデルとノイズレスモデルの両方を用いてシミュレーションQC実験を行い,回路性能を実証した。
参考スコア（独自算出の注目度）: 1.349950008899546
License:
Abstract: Recent advancements in artificial neural networks have enabled impressive tasks on classical computers, but they demand significant computational resources. While quantum computing offers potential beyond classical systems, the advantages of quantum neural networks (QNNs) remain largely unexplored. In this work, we present and examine a quantum circuit (QC) that implements and aims to improve upon the classical echo-state network (ESN), a type of reservoir-based recurrent neural networks (RNNs), using quantum computers. Typically, ESNs consist of an extremely large reservoir that learns high-dimensional embeddings, enabling prediction of complex system trajectories. Quantum echo-state networks (QESNs) aim to reduce this need for prohibitively large reservoirs by leveraging the unique capabilities of quantum computers, potentially allowing for more efficient and higher performing time-series prediction algorithms. The proposed QESN can be implemented on any digital quantum computer implementing a universal gate set, and does not require any sort of stopping or re-initialization of the circuit, allowing continuous evolution of the quantum state over long time horizons. We conducted simulated QC experiments on the chaotic Lorenz system, both with noisy and noiseless models, to demonstrate the circuit's performance and its potential for execution on noisy intermediate-scale quantum (NISQ) computers.
Abstract（参考訳）: ニューラルネットワークの最近の進歩は、古典的コンピュータにおける印象的なタスクを可能にしているが、彼らはかなりの計算資源を必要としている。量子コンピューティングは古典的なシステム以上の可能性を秘めているが、量子ニューラルネットワーク(QNN)の利点はほとんど未解明のままである。本研究では,古典的エコー状態ネットワーク(ESN)の実装と,量子コンピュータを用いた貯水池型リカレントニューラルネットワーク(RNN)の実現を目的とした量子回路(QC)について検討する。通常、ESNは高次元の埋め込みを学習し、複雑な系軌道の予測を可能にする非常に大きな貯水池から構成される。量子エコー状態ネットワーク(QESNs)は、量子コンピュータのユニークな能力を活用することで、禁止された大規模な貯水池の必要性を減らし、より効率的で高性能な時系列予測アルゴリズムを実現することを目的としている。提案したQESNは、普遍ゲートセットを実装した任意のデジタル量子コンピュータ上で実装することができ、回路の停止や再初期化を一切必要とせず、長い時間的水平線上で量子状態の継続的な進化を可能にする。カオスロレンツシステムにおいて,ノイズモデルとノイズレスモデルの両方を用いてシミュレーションQC実験を行い,ノイズのある中間スケール量子コンピュータ上での回路性能と実行の可能性を示した。

関連論文リスト

CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文参考訳（メタデータ） (2024-08-28T00:56:03Z)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
Learning Quantum Processes with Memory -- Quantum Recurrent Neural Networks [0.0]
本稿では,散逸性量子ニューラルネットワークに基づく完全量子リカレントニューラルネットワークを提案する。これらのアルゴリズムが複雑な量子過程をメモリで学習する可能性を実証する。数値シミュレーションにより、我々の量子リカレントニューラルネットワークは、小さなトレーニングセットから一般化する顕著な能力を示すことが示された。
論文参考訳（メタデータ） (2023-01-19T16:58:39Z)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
A Quantum Convolutional Neural Network for Image Classification [7.745213180689952]
量子畳み込みニューラルネットワーク(QCNN)という新しいニューラルネットワークモデルを提案する。 QCNNは実装可能な量子回路に基づいており、古典的畳み込みニューラルネットワークと同様の構造を持つ。 MNISTデータセットの数値シミュレーションにより,本モデルの有効性が示された。
論文参考訳（メタデータ） (2021-07-08T06:47:34Z)
QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
論文参考訳（メタデータ） (2021-06-19T04:37:39Z)
Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-05-30T12:19:27Z)
Branching Quantum Convolutional Neural Networks [0.0]
小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
論文参考訳（メタデータ） (2020-12-28T19:00:03Z)
Quantum neural networks with deep residual learning [29.929891641757273]
本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
論文参考訳（メタデータ） (2020-12-14T18:11:07Z)
Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文参考訳（メタデータ） (2020-10-21T09:46:12Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。