論文の概要: Large-scale quantum reservoir computing using a Gaussian Boson Sampler
- arxiv url: http://arxiv.org/abs/2505.13695v1
- Date: Mon, 19 May 2025 19:55:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.506397
- Title: Large-scale quantum reservoir computing using a Gaussian Boson Sampler
- Title（参考訳）: ガウスボソンサンプリングを用いた大規模量子貯水池計算
- Authors: Valeria Cimini, Mandar M. Sohoni, Federico Presutti, Benjamin K. Malia, Shi-Yuan Ma, Ryotatsu Yanagimoto, Tianyu Wang, Tatsuhiro Onodera, Logan G. Wright, Peter L. McMahon,
- Abstract要約: ガウスボソンサンプリング(英: Gaussian Boson sampler、GBS)は、光学において大規模に実現可能な特殊な量子コンピュータである。
GBSベースの貯水池コンピュータの各種ベンチマークタスクにおける精度を評価する。
- 参考スコア（独自算出の注目度）: 4.2355311806823766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A Gaussian boson sampler (GBS) is a special-purpose quantum computer that can be practically realized at large scale in optics. Here we report on experiments in which we used a frequency-multiplexed GBS with $>400$ modes as the reservoir in the quantum-machine-learning approach of quantum reservoir computing. We evaluated the accuracy of our GBS-based reservoir computer on a variety of benchmark tasks, including spoken-vowels classification and MNIST handwritten-digit classification. We found that when the reservoir computer was given access to the correlations between measured modes of the GBS, the achieved accuracies were the same or higher than when it was only given access to the mean photon number in each mode -- and in several cases the advantage in accuracy from using the correlations was greater than 20 percentage points. This provides experimental evidence in support of theoretical predictions that access to correlations enhances the power of quantum reservoir computers. We also tested our reservoir computer when operating the reservoir with various sources of classical rather than squeezed (quantum) light and found that using squeezed light consistently resulted in the highest (or tied highest, for simple tasks) accuracies. Our work experimentally establishes that a GBS can be an effective reservoir for quantum reservoir computing and provides a practical platform for experimentally exploring the role of quantumness and correlations in quantum machine learning at very large system sizes.
- Abstract（参考訳）: ガウスボソンサンプリング(英: Gaussian Boson sampler、GBS)は、光学において大規模に実現可能な特殊な量子コンピュータである。
本稿では,周波数多重化GBSと400ドル以上のモードを量子記憶器コンピューティングの量子機械学習手法の貯水池として使用した実験について報告する。
我々はGBSベースの貯水池コンピュータを,音声母音分類やMNIST手書き桁分類など,様々なベンチマークタスクで評価した。
その結果, GBSの計測モード間の相関が得られた場合, 得られた精度は各モードの平均光子数にのみアクセスできた場合と同等かそれ以上であり, 相関を用いた場合の精度の利点は20ポイント以上であった。
これは、相関へのアクセスが量子貯水池コンピュータのパワーを高めるという理論的予測を支持する実験的な証拠を提供する。
また, 圧縮光(量子光)ではなく, 各種の古典的光源で貯水池を動作させる際の貯水池コンピュータの試験を行った。
我々の研究は、GBSが量子貯水池コンピューティングの有効な貯水池になり得ることを実験的に証明し、非常に大きなシステムサイズでの量子機械学習における量子性および相関の役割を実験的に探求するための実践的なプラットフォームを提供する。
関連論文リスト
- 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) - Practical Few-Atom Quantum Reservoir Computing [0.0]
量子Reservoir Computing (QRC) は、複雑な計算問題に異常な効率とエネルギー使用量の最小化で対処するために量子システムを利用する。
本稿では、光学キャビティ内の2レベル原子をわずかに含む最小限の量子貯水池を利用するQRCフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-08T04:14:31Z) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳（メタデータ） (2023-07-31T14:45:29Z) - MORE: Measurement and Correlation Based Variational Quantum Circuit for
Multi-classification [10.969833959443495]
MOREは、測定と相関に基づく変分量子多重分類器の略である。
我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
論文 参考訳（メタデータ） (2023-07-21T19:33:10Z) - 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) - Validation tests of GBS quantum computers give evidence for quantum
advantage with a decoherent target [62.997667081978825]
複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。
偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
論文 参考訳（メタデータ） (2022-11-07T12:00:45Z) - Quantum Reservoir Computing for Speckle-Disorder Potentials [0.0]
量子貯水池コンピューティング(Quantum reservoir computing)は、情報を処理するメモリを持つ量子システムのダイナミクスを活用するために設計された機械学習手法である。
この手法はスピンの量子貯水池を用いて導入され、追加の量子系の基底状態エネルギーを求めるために応用される。
この課題は, 貯水池から抽出した可観測量に着目して解析し, 2ビット相関を用いた場合の強化効果を示す。
論文 参考訳（メタデータ） (2022-01-26T18:04:49Z) - Probably approximately correct quantum source coding [0.0]
Holevo と Nayak の境界は、量子状態に格納できる古典的な情報の量を推定する。
量子学習理論における2つの新しい応用と、純粋に古典的なクライアントを用いた代入量子計算について述べる。
論文 参考訳（メタデータ） (2021-12-13T17:57:30Z) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳（メタデータ） (2021-08-30T23:50:05Z) - Preparing random states and benchmarking with many-body quantum chaos [48.044162981804526]
時間に依存しないハミルトン力学の下で自然にランダム状態アンサンブルの出現を予測し、実験的に観察する方法を示す。
観測されたランダムアンサンブルは射影測定から現れ、より大きな量子系のサブシステムの間に構築された普遍的相関に密接に関連している。
我々の研究は、量子力学におけるランダム性を理解するための意味を持ち、より広い文脈でのこの概念の適用を可能にする。
論文 参考訳（メタデータ） (2021-03-05T08:32:43Z)
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。