論文の概要: Quantum Next-Generation Reservoir Computing and Its Quantum Optical Implementation
- arxiv url: http://arxiv.org/abs/2502.16938v1
- Date: Mon, 24 Feb 2025 08:05:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:53:38.751685
- Title: Quantum Next-Generation Reservoir Computing and Its Quantum Optical Implementation
- Title（参考訳）: 量子次世代貯留層計算とその量子光学的実装
- Authors: Longhan Wang, Peijie Sun, Ling-Jun Kong, Yifan Sun, Xiangdong Zhang,
- Abstract要約: 量子貯水池コンピューティング(QRC)は、時系列予測タスクに取り組むために、量子システムの情報処理能力を利用する。
本稿では,実験的な実現に親しみやすいQRC方式を提案する。
提案手法は,他のQRC方式と比較して,信頼性予測に必要なトレーニングデータを効果的に削減し,進歩を達成している。
- 参考スコア（独自算出の注目度）: 8.19002936357129
- License:
- Abstract: Quantum reservoir computing (QRC) exploits the information-processing capabilities of quantum systems to tackle time-series forecasting tasks, which is expected to be superior to their classical counterparts. By far, many QRC schemes have been theoretically proposed. However, most of these schemes involves long-time evolution of quantum systems or networks with quantum gates. This poses a challenge for practical implementation of these schemes, as precise manipulation of quantum systems is crucial, and this level of control is currently hard to achieve with the existing state of quantum technology. Here, we propose a different way of QRC scheme, which is friendly to experimental realization. It implements the quantum version of nonlinear vector autoregression, extracting linear and nonlinear features of quantum data by measurements. Thus, the evolution of complex networks of quantum gates can be avoided. Compared to other QRC schemes, our proposal also achieves an advance by effectively reducing the necessary training data for reliable predictions in time-series forecasting tasks. Furthermore, we experimentally verify our proposal by performing the forecasting tasks, and the observation matches well with the theorectial ones. Our work opens up a new way toward complex tasks to be solved by using the QRC, which can herald the next generation of the QRC.
- Abstract（参考訳）: 量子貯水池コンピューティング(QRC)は、量子システムの情報処理能力を利用して時系列予測タスクに取り組む。
これまでに多くのQRCスキームが理論的に提案されている。
しかしながら、これらのスキームのほとんどは、量子システムや量子ゲートを持つネットワークの長期進化を含んでいる。
このことは、量子システムの正確な操作が不可欠であり、このレベルの制御は、現在量子技術の既存の状態において達成が難しいため、これらのスキームの実践的な実装に挑戦する。
本稿では,実験的な実現に親しみやすいQRC方式を提案する。
非線形ベクトル自己回帰の量子バージョンを実装し、測定により量子データの線形および非線形特徴を抽出する。
したがって、量子ゲートの複雑なネットワークの進化は避けることができる。
提案手法は,他のQRC方式と比較して,時系列予測タスクにおける信頼性予測に必要なトレーニングデータを効果的に削減する。
さらに,予測タスクを行うことで提案手法を実験的に検証し,観測結果と理論値との整合性を検証した。
我々の研究は、次世代のQRCを先取りできるQRCを用いて、解決すべき複雑なタスクへの新たな方法を開く。
関連論文リスト
- Programming Variational Quantum Circuits with Quantum-Train Agent [3.360429911727189]
可変量子回路(VQC)の効率的かつスケーラブルなプログラミングを容易にするQT-QFWP(Quantum-Train Quantum Fast Weight Programmer)フレームワークを提案する。
このアプローチは、量子と古典の両方のパラメータ管理を最適化することで、従来のハイブリッド量子古典モデルに対して大きな優位性をもたらす。
QT-QFWPは、関連モデルを効率性と予測精度の両方で上回り、より実用的で費用対効果の高い量子機械学習アプリケーションへの道筋を提供する。
論文 参考訳（メタデータ） (2024-12-02T06:26:09Z) - 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) - Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。
エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
論文 参考訳（メタデータ） (2023-07-03T10:12:34Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - GSQAS: Graph Self-supervised Quantum Architecture Search [0.18899300124593643]
既存の量子アーキテクチャ探索(QAS)アルゴリズムは、探索プロセス中に多数の量子回路を評価する必要がある。
本稿では,自己教師型学習に基づく予測器を訓練するグラフ自己教師型QASであるGSQASを提案する。
GSQASは最先端の予測器ベースのQASより優れており、ラベル付き回路が少なくて性能が良い。
論文 参考訳（メタデータ） (2023-03-22T08:35:28Z) - 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) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - 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) - 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) - Prospects for Quantum Enhancement with Diabatic Quantum Annealing [0.0]
量子アニール(QA)の一般的な枠組みにおけるアルゴリズムの展望を評価し,量子スピードアップを実現する。
我々は、コヒーレンス時間と制御能力の改善が、いくつかの量子最適化アルゴリズムの短期的な探索を可能にすることに基づいて、QAフレームワークへの継続的な探索と関心を論じる。
これらの全てのプロトコルは、時間依存の有効横場イジング・ハミルトンにより生成される新しい平衡量子力学の全ての範囲を受け入れることによって、最先端の方法で探索することができると論じる。
論文 参考訳（メタデータ） (2020-08-22T21:25:51Z)
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。