論文の概要: Entanglement for Pattern Learning in Temporal Data with Logarithmic Complexity: Benchmarking on IBM Quantum Hardware
- arxiv url: http://arxiv.org/abs/2506.00097v1
- Date: Fri, 30 May 2025 12:16:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:32.28832
- Title: Entanglement for Pattern Learning in Temporal Data with Logarithmic Complexity: Benchmarking on IBM Quantum Hardware
- Title（参考訳）: 対数複雑度をもつ時間データにおけるパターン学習の絡み合い:IBM量子ハードウェアのベンチマーク
- Authors: Mostafizur Rahaman Laskar, Richa Goel,
- Abstract要約: 時系列予測は、気候モデリングから分子動力学まで、科学的および技術的領域の基礎となっている。
時間的依存関係を学習するために、絡み合いに基づくパラメータ化量子回路を利用する量子ネイティブ時系列予測フレームワークを提案する。
数値天気予報に使用される測地的高さ場を含む,合成および実世界のデータセットの古典的モデルに対して,QTSをベンチマークする。
- 参考スコア（独自算出の注目度）: 1.2277343096128712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series forecasting is foundational in scientific and technological domains, from climate modelling to molecular dynamics. Classical approaches have significantly advanced sequential prediction, including autoregressive models and deep learning architectures such as temporal convolutional networks (TCNs) and Transformers. Yet, they remain resource-intensive and often scale poorly in data-limited or hardware-constrained settings. We propose a quantum-native time series forecasting framework that harnesses entanglement-based parameterized quantum circuits to learn temporal dependencies. Our Quantum Time Series (QTS) model encodes normalized sequential data into single-qubit rotations and embeds temporal structure through structured entanglement patterns. This design considers predictive performance with logarithmic complexity in training data and parameter count. We benchmark QTS against classical models on synthetic and real-world datasets, including geopotential height fields used in numerical weather prediction. Experiments on the noisy backend and real IBM quantum hardware demonstrate that QTS can capture temporal patterns using fewer data points. Hardware benchmarking results establish quantum entanglement as a practical computational resource for temporal modelling, with potential near-term applications in nano-scale systems, quantum sensor networks, and other forecasting scenarios.
- Abstract（参考訳）: 時系列予測は、気候モデリングから分子動力学まで、科学的および技術的領域の基礎となっている。
古典的なアプローチは、自動回帰モデルや、時間的畳み込みネットワーク(TCN)やトランスフォーマーのようなディープラーニングアーキテクチャを含む、かなり先進的な予測を持っている。
しかし、リソース集約的であり、多くの場合、データ制限やハードウェア制約のある設定ではスケールが不十分です。
時間的依存関係を学習するために、絡み合いに基づくパラメータ化量子回路を利用する量子ネイティブ時系列予測フレームワークを提案する。
我々の量子時系列モデル(QTS)は、正規化されたシーケンシャルデータを1キュービットの回転に符号化し、構造的絡み合いパターンを通じて時間構造を埋め込む。
この設計は、学習データとパラメータ数における対数的複雑性を伴う予測性能を考察する。
数値天気予報に使用される測地的高さ場を含む,合成および実世界のデータセットの古典的モデルに対して,QTSをベンチマークする。
ノイズの多いバックエンドと実際のIBM量子ハードウェアの実験は、QTSがより少ないデータポイントを使用して時間パターンをキャプチャできることを実証している。
ハードウェアベンチマークの結果は、時間モデリングのための実用的な計算資源として量子絡み合いを確立し、ナノスケールシステム、量子センサーネットワーク、その他の予測シナリオに潜在的に短期的に適用することができる。
関連論文リスト
- Unraveling Quantum Environments: Transformer-Assisted Learning in Lindblad Dynamics [0.0]
本稿では,量子システムにおける時間依存散逸率を推定するためのTransformerベースの機械学習フレームワークを提案する。
複雑性を増大させるオープン量子モデルの階層化に対する我々のアプローチの有効性を実証する。
我々の結果は、現代の機械学習ツールが、オープン量子システムにおける未知の環境を特定するためのスケーラブルでデータ駆動の代替手段として役立つことを示唆している。
論文 参考訳（メタデータ） (2025-05-11T10:18:19Z) - 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) - Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。
提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
論文 参考訳（メタデータ） (2024-12-06T18:22:59Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - 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) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳（メタデータ） (2023-07-04T05:19:19Z) - 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) - A quantum generative model for multi-dimensional time series using
Hamiltonian learning [0.0]
このような特徴を符号化する手法として,量子力学のシミュレートに量子コンピュータの本質的性質を用いることを提案する。
学習したモデルを用いて、サンプル外の時系列を生成し、学習した時系列のユニークで複雑な特徴をキャプチャすることを示す。
提案手法を11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文 参考訳（メタデータ） (2022-04-13T03:06:36Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。