論文の概要: Quantum-Enhanced Channel Mixing in RWKV Models for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2505.13524v1
- Date: Sun, 18 May 2025 02:19:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.364967
- Title: Quantum-Enhanced Channel Mixing in RWKV Models for Time Series Forecasting
- Title（参考訳）: 時系列予測のためのRWKVモデルにおける量子化チャネル混合
- Authors: Chi-Sheng Chen, En-Jui Kuo,
- Abstract要約: 我々はRWKVモデルのハイブリッド量子古典拡張であるQuantumRWKVを提案する。
量子成分は、エンドツーエンドの微分性を保ちながら非線形表現能力を高めるように設計されている。
この研究は、時間領域におけるハイブリッド量子古典モデルと古典的リカレントモデルの間の最初の体系的な比較の1つを提供する。
- 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: Recent advancements in neural sequence modeling have led to architectures such as RWKV, which combine recurrent-style time mixing with feedforward channel mixing to enable efficient long-context processing. In this work, we propose QuantumRWKV, a hybrid quantum-classical extension of the RWKV model, where the standard feedforward network (FFN) is partially replaced by a variational quantum circuit (VQC). The quantum component is designed to enhance nonlinear representational capacity while preserving end-to-end differentiability via the PennyLane framework. To assess the impact of quantum enhancements, we conduct a comparative evaluation of QuantumRWKV and its purely classical counterpart across a suite of synthetic time-series forecasting tasks, including linear (ARMA), chaotic (Logistic Map), oscillatory (Damped Oscillation), and piecewise-regime signals. Our results reveal that the quantum-enhanced model achieves superior performance in several tasks characterized by nonlinear or chaotic dynamics-such as Chaotic Logistic, Noisy Damped Oscillator, and Sine Wave-while exhibiting limitations in tasks with sharp discontinuities or simple autoregressive structures. This study provides one of the first systematic comparisons between hybrid quantum-classical and classical recurrent models in temporal domains, highlighting when and how quantum circuits can offer tangible benefits in time-series learning. We conclude with a discussion on architectural trade-offs and potential future directions for expanding quantum integration into large-scale temporal learning systems.
- Abstract（参考訳）: ニューラルシークエンスモデリングの最近の進歩は、RWKVのようなアーキテクチャにつながり、リカレントスタイルの時間混合とフィードフォワードチャネルミキシングを組み合わせることで、効率的なロングコンテキスト処理を可能にする。
本稿では、標準フィードフォワードネットワーク(FFN)を部分的に変分量子回路(VQC)に置き換えるRWKVモデルのハイブリッド量子古典拡張であるQuantumRWKVを提案する。
量子コンポーネントは、PennyLaneフレームワークを介してエンドツーエンドの微分性を保ちながら、非線形表現能力を高めるように設計されている。
量子拡張の影響を評価するため、線形(ARMA)、カオス(ロジスティックマップ)、発振(Damped Oscillation)、断片的登録信号を含む一連の合成時系列予測タスクに対して、QuantumRWKVとその純粋に古典的な比較評価を行う。
この結果から, 急激な不連続性や単純な自己回帰構造を持つタスクにおいて, カオスロジスティック, 雑音減衰オシレータ, Sine Waveのような非線形あるいはカオス的ダイナミクスを特徴とする複数のタスクにおいて, 量子エンハンスモデルが優れた性能を発揮することが明らかになった。
この研究は、時間領域におけるハイブリッド量子-古典的および古典的リカレントモデル間の最初の体系的比較の1つを提供し、いつ、どのように量子回路が時系列学習において有意義な利益をもたらすかを強調した。
本稿では,大規模時間学習システムに量子積分を拡張するためのアーキテクチャ上のトレードオフと今後の方向性について論じる。
関連論文リスト
- Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。
その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
論文 参考訳（メタデータ） (2025-04-30T19:09:12Z) - Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。
QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。
合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
論文 参考訳（メタデータ） (2025-04-05T02:52:37Z) - Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers [5.673361333697935]
我々は、ノイズ中間スケール量子(NISQ)デバイス上でのスケーラビリティ問題に対処するために、分散量子長短期メモリ(QLSTM)フレームワークを導入する。
QLSTMは長期の時間的依存関係をキャプチャし、分散アーキテクチャは基礎となる変分量子回路をより小さく管理可能なサブ回路に分割する。
分散QLSTMは,古典的アプローチと比較して,安定した収束とトレーニングダイナミクスの向上を実現している。
論文 参考訳（メタデータ） (2025-03-18T10:07:34Z) - Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting [0.24739484546803336]
本稿では,量子カーネル法を従来のLSTMアーキテクチャに統合したQK-LSTM(Quantum Kernel-Based Long short-Memory)ネットワークを提案する。
QK-LSTMは、トレーニング可能なパラメータが少ない複雑な非線形依存と時間ダイナミクスをキャプチャする。
論文 参考訳（メタデータ） (2024-12-12T01:16:52Z) - Bayesian Quantum Amplitude Estimation [49.1574468325115]
本稿では,量子振幅推定のための雑音対応ベイズアルゴリズムであるBAEを紹介する。
我々は,BAEがハイゼンベルク限界推定を達成し,他の手法と比較した。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Learning to Program Variational Quantum Circuits with Fast Weights [3.6881738506505988]
本稿では,時間的あるいはシーケンシャルな学習課題に対する解決法として,QFWP(Quantum Fast Weight Programmers)を提案する。
提案したQFWPモデルは、量子リカレントニューラルネットワークの使用を必要とせずに、時間的依存関係の学習を実現する。
本研究では, 時系列予測とRLタスクにおいて, 提案したQFWPモデルの有効性を示す数値シミュレーションを行った。
論文 参考訳（メタデータ） (2024-02-27T18:53:18Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - Dynamics with autoregressive neural quantum states: application to
critical quench dynamics [41.94295877935867]
本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。
二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
論文 参考訳（メタデータ） (2022-09-07T15:50:00Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。
本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。
時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文 参考訳（メタデータ） (2020-07-22T12:19:40Z)
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。