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: 2024-12-30 03:07:49.844966
• 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: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Feedback-enhanced quantum reservoir computing with weak measurements [1.474723404975345]
  フィードバック強化型量子貯水池計算フレームワークを開発した。 また,本モデルが従来のQRC手法よりも優れていることを示す。 これらの知見は、次世代量子機械学習アプリケーションにおけるフィードバック強化型QRCの可能性を示している。
  論文  参考訳（メタデータ） (2025-03-23T04:47:06Z)
• QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
  ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。 提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。 我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
  論文  参考訳（メタデータ） (2025-03-20T21:03:10Z)
• 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)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• 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)
• 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)
• CBQ: Cross-Block Quantization for Large Language Models [66.82132832702895]
  ポストトレーニング量子化(PTQ)は、超低コストで大規模言語モデル(LLM)を圧縮する上で重要な役割を果たしている。 LLMのためのクロスブロック再構成に基づくPTQ手法CBQを提案する。 CBQはリコンストラクションスキームを使用してクロスブロック依存関係を採用し、エラーの蓄積を最小限に抑えるために複数のブロックにまたがる長距離依存関係を確立する。
  論文  参考訳（メタデータ） (2023-12-13T07:56:27Z)
• 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)
• 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)
• 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。