論文の概要: Exploring Tensor Network Algorithms as a Quantum-Inspired Method for Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2503.05535v1
• Date: Fri, 07 Mar 2025 16:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:22:01.162854
• Title: Exploring Tensor Network Algorithms as a Quantum-Inspired Method for Quantum Reservoir Computing
• Title（参考訳）: 量子貯留層計算のための量子インスピレーション法としてのテンソルネットワークアルゴリズムの探索
• Authors: Payal D. Solanki, Anh Pham,
• Abstract要約: 量子貯水池コンピューティング(QRC)は、有望なハイブリッド量子機械学習(QML)手法として登場した。 量子インスパイアされたテンソルネットワーク(TN)がQRCアルゴリズムにどのように使用できるかを示す。 この研究は、多くの特徴を持つデータセットを研究する量子機械学習アルゴリズムの能力を高めるために、量子インスパイアされたアルゴリズムとしてのテンソルネットワークの可能性も示している。
• 参考スコア（独自算出の注目度）: 0.26013878609420266
• License:
• Abstract: Quantum reservoir computing (QRC) has emerged as a promising hybrid quantum machine learning (QML) method that leverages the complex dynamics of quantum systems and classical machine learning models. Motivated by the development of this new QML method, we explore how quantum-inspired techniques like tensor networks (TNs), specifically the Time Dependent Variational Principle (TDVP) with Matrix Product State (MPS), can be used for the QRC algorithm. To demonstrate the utility of our quantum-inspired method, we performed numerical experiments on the MNIST dataset and compared the performance of our quantum-inspired QRC with different classical machine learning (ML) methods. The results reveal that high-quality embeddings can be generated by performing the time-evolution of MPS system consisting of one-dimensional chain of Rydberg atoms. This quantum-inspired method is highly scalable, enabling the simulation of 100 qubits with a low classical computing overhead. Finally, this study also underscores the potential of tensor networks as quantum-inspired algorithms to enhance the capability of quantum machine learning algorithms to study datasets with large numbers of features.
• Abstract（参考訳）: 量子貯水池コンピューティング(QRC)は、量子システムと古典的機械学習モデルの複雑なダイナミクスを活用する、有望なハイブリッド量子機械学習(QML)手法として登場した。 この新しいQML法の開発により、テンソルネットワーク(TN)、特にマトリックス製品状態(MPS)を用いた時間依存変動原理(TDVP)のような量子インスパイアされた技術がQRCアルゴリズムにどのように使われるかを検討する。 量子インスピレーション法の有用性を実証するため,MNISTデータセット上で数値実験を行い,量子インスパイアされたQRCの性能を従来の機械学習(ML)法と比較した。 その結果,1次元のRydberg原子鎖からなるMPS系の時間進化により,高品質な埋め込みが生成できることが判明した。 この量子インスパイアされた手法は非常にスケーラブルであり、古典的な計算オーバーヘッドが低い100量子ビットのシミュレーションを可能にする。 最後に、量子機械学習アルゴリズムが多数の特徴を持つデータセットを研究する能力を高めるために、量子インスパイアされたアルゴリズムとしてテンソルネットワークの可能性も強調する。

関連論文リスト

• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• 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)
• Quantum Machine Learning For Classical Data [0.0]
  量子コンピューティングと教師付き機械学習アルゴリズムの交差について研究する。 特に,教師付き機械学習アルゴリズムの高速化に量子コンピュータがどの程度使えるかを検討する。
  論文  参考訳（メタデータ） (2021-05-08T12:11:44Z)
• TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
  本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。 本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
  論文  参考訳（メタデータ） (2020-03-06T01:31:43Z)
• 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。