論文の概要: Minimalistic and Scalable Quantum Reservoir Computing Enhanced with Feedback

• arxiv url: http://arxiv.org/abs/2412.17817v1
• Date: Fri, 06 Dec 2024 23:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-29 08:29:28.765701
• Title: Minimalistic and Scalable Quantum Reservoir Computing Enhanced with Feedback
• Title（参考訳）: フィードバックによる最小限かつスケーラブルな量子貯留層計算
• Authors: Chuanzhou Zhu, Peter J. Ehlers, Hendra I. Nurdin, Daniel Soh,
• Abstract要約: 量子Reservoir Computing (QRC) は、量子システムを利用して、例外的な効率とエネルギー消費の削減で複雑な計算タスクを実行する。 単一モード光キャビティ内の2レベル原子を数個だけ利用し,連続量子測定と組み合わせた最小主義QRCフレームワークを提案する。 このフレームワークは、ハードウェアサイズとエネルギー消費を最小限にするため、QRCの目的を満たす。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Quantum Reservoir Computing (QRC) leverages quantum systems to perform complex computational tasks with exceptional efficiency and reduced energy consumption. We introduce a minimalistic QRC framework utilizing only a few two-level atoms in a single-mode optical cavity, combined with continuous quantum measurements. To achieve high computational expressivity with minimal hardware, we include two critical elements: reservoir feedback and polynomial regression. Reservoir feedback modifies the reservoir's dynamics without altering its hardware, while polynomial regression enhances output resolution by nonlinearly extending expressions. We evaluate QRC's memory retention and nonlinear data processing through two tasks: predicting chaotic time-series data via the Mackey-Glass task and classifying sine-square waveforms. Our results demonstrate significant QRC performance with minimal reservoirs containing as few as five atoms, further enhanced by feedback mechanisms and polynomial regression. This framework fulfills QRC's objectives to minimize hardware size and energy consumption, marking a significant advancement in integrating quantum physics with machine learning technology.
• Abstract（参考訳）: 量子Reservoir Computing (QRC) は、量子システムを利用して、例外的な効率とエネルギー消費の削減で複雑な計算タスクを実行する。 単一モード光キャビティ内の2レベル原子を数個だけ利用し,連続量子測定と組み合わせた最小限のQRCフレームワークを提案する。 最小限のハードウェアで高い計算表現性を達成するために、我々は2つの重要な要素:貯水池フィードバックと多項式回帰を含む。 貯留層フィードバックはハードウェアを変更することなく貯水池の力学を変化させる一方、多項式回帰は非線形に表現を拡張して出力分解能を高める。 QRCのメモリ保持と非線形データ処理を,Mackey-Glassタスクによるカオス時系列データの予測と正方形波形の分類という2つのタスクで評価する。 その結果, 5個の原子を含む最小限の貯水池ではQRC性能が著しく向上し, フィードバック機構や多項式回帰によりさらに向上した。 このフレームワークは、ハードウェアサイズとエネルギー消費を最小限に抑えることを目的としたQRCの目的を満たしており、量子物理学と機械学習技術の統合において大きな進歩を見せている。

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)
• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  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。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• Optimal training of finitely-sampled quantum reservoir computers for forecasting of chaotic dynamics [3.7960472831772765]
  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。
  論文  参考訳（メタデータ） (2024-09-02T17:51:48Z)
• 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)
• Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
  変動量子回路(VQC)における重み付けの考え方を紹介する。 我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。 以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-06-09T09:42:21Z)
• Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping [60.086820254217336]
  近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。 重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。 修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
  論文  参考訳（メタデータ） (2022-12-22T13:23:19Z)
• RepQ-ViT: Scale Reparameterization for Post-Training Quantization of Vision Transformers [2.114921680609289]
  視覚変換器のための新しいPTQフレームワークRepQ-ViTを提案する。 RepQ-ViTは量子化と推論プロセスを分離する。 既存の強力なベースラインを上回り、ViTの4ビットPTQの精度を有効レベルまで向上させることができる。
  論文  参考訳（メタデータ） (2022-12-16T02:52:37Z)
• 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)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
  ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。 全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
  論文  参考訳（メタデータ） (2021-03-31T06:05:40Z)
• Reservoir Computing Approach to Quantum State Measurement [0.0]
  貯留層計算(Reservoir computing)は、超伝導多ビット系の量子計測における資源効率の高い解である。 このデバイスを動作させて2量子状態トモグラフィーと連続パリティモニタリングを行う方法を示す。
  論文  参考訳（メタデータ） (2020-11-19T04:46:15Z)

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。