Fugu-MT 論文翻訳(概要): Level Generation with Quantum Reservoir Computing

論文の概要: Level Generation with Quantum Reservoir Computing

arxiv url: http://arxiv.org/abs/2505.13287v1
Date: Mon, 19 May 2025 16:09:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-20 14:57:11.72077
Title: Level Generation with Quantum Reservoir Computing
Title（参考訳）: 量子貯留層計算によるレベル生成
Authors: João S. Ferreira, Pierre Fromholz, Hari Shaji, James R. Wootton,
Abstract要約: 貯留層計算(Reservoir computing)は、予測を含む時系列解析に特に適した機械学習の一種である。我々は,最初は楽譜の変種を生成し,それをスーパーマリオブラザーズレベルに適応させるように設計された,量子貯水池コンピューティングを実装している。これらのレベルを解析した結果、超伝導量子ビットハードウェア上でコースをリアルタイムで生成できる新しいテキストオブビーを開発し、そのようなリアルタイム生成による制約について検討する。
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: Reservoir computing is a form of machine learning particularly suited for time series analysis, including forecasting predictions. We take an implementation of \emph{quantum} reservoir computing that was initially designed to generate variants of musical scores and adapt it to create levels of Super Mario Bros. Motivated by our analysis of these levels, we develop a new Roblox \textit{obby} where the courses can be generated in real time on superconducting qubit hardware, and investigate some of the constraints placed by such real-time generation.
Abstract（参考訳）: 貯留層計算(Reservoir computing)は、予測を含む時系列解析に特に適した機械学習の一種である。音楽スコアの変種を生成し,それをスーパーマリオブラザーズレベルに適応させるように設計された,emph{quantum}貯水池計算を実装した。これらのレベルを分析することにより、超伝導量子ビットハードウェア上でコースをリアルタイムで生成できる新しいRoblox \textit{obby}を開発し、そのようなリアルタイム生成による制約について検討する。

関連論文リスト

Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
論文参考訳（メタデータ） (2024-06-05T02:30:29Z)
QuantumReservoirPy: A Software Package for Time Series Prediction [44.99833362998488]
我々は、量子貯水池が共通の構造に合うようにするためのソフトウェアパッケージを開発した。本パッケージは, 量子貯水池構造の比較法の開発を簡略化し, 論理的手法を提示する。
論文参考訳（メタデータ） (2024-01-19T13:31:29Z)
Classical and quantum reservoir computing: development and applications in machine learning [0.0]
貯留層計算(Reservoir computing)は、非線形力学系を用いてデータから複雑な時間パターンを学習する、新しい機械学習アルゴリズムである。この研究は、農業時系列予測を含む、非常に異なる領域にわたるアルゴリズムの堅牢性と適応性を実証している。この論文の最後の貢献は、量子貯水池計算のためのアルゴリズム設計の最適化である。
論文参考訳（メタデータ） (2023-10-11T13:01:05Z)
Limits to Analog Reservoir Learning [0.0]
アナログ貯水池コンピュータの学習能力に及ぼす雑音の影響について検討する。情報処理能力(IPC)はノイズによる性能劣化の定量化に有用な指標であることを示す。ノイズに晒された物理的アナログ貯水池コンピュータは、学習量の増加にのみ利用できると結論付けている。
論文参考訳（メタデータ） (2023-07-26T19:41:05Z)
Classical Chaos in Quantum Computers [39.58317527488534]
50-100量子ビットからなる現在の量子プロセッサは、古典的コンピュータ上の量子シミュレーションの範囲外で動作する。古典的限界のシミュレーションは、この問題を緩和する潜在的に強力な診断ツールとなり得ることを実証する。古典的および量子シミュレーションは、$mathcalO$transmonsを持つシステムにおいて、同様の安定性指標をもたらす。
論文参考訳（メタデータ） (2023-04-27T18:00:04Z)
Configured Quantum Reservoir Computing for Multi-Task Machine Learning [24.698475208639586]
量子貯水池計算のためのプログラム可能なNISQデバイスのダイナミクスについて検討する。単一の構成の量子貯水池は、同時に複数のタスクを学習することができる。量子貯水池における量子コヒーレンス(quantum coherence, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス)
論文参考訳（メタデータ） (2023-03-30T18:00:02Z)
The Basis of Design Tools for Quantum Computing: Arrays, Decision Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。完全に自動化された量子ソフトウェアスタックを開発する必要がある。この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
論文参考訳（メタデータ） (2023-01-10T19:00:00Z)
A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文参考訳（メタデータ） (2022-11-23T18:25:32Z)
Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文参考訳（メタデータ） (2022-06-21T20:38:13Z)
Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文参考訳（メタデータ） (2020-12-07T18:51:28Z)

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。