論文の概要: Feedback-driven recurrent quantum neural network universality
- arxiv url: http://arxiv.org/abs/2506.16332v1
- Date: Thu, 19 Jun 2025 14:07:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:05.105936
- Title: Feedback-driven recurrent quantum neural network universality
- Title（参考訳）: フィードバック駆動型リカレント量子ニューラルネットワークの普遍性
- Authors: Lukas Gonon, Rodrigo Martínez-Peña, Juan-Pablo Ortega,
- Abstract要約: 本稿では、既存のフィードフォワードモデルのクラスを動的にフィードバック駆動型貯水池設定に拡張する、リカレント量子ニューラルネットワークアーキテクチャを提案する。
近似バウンダリと普遍性結果を含む変分繰り返し量子ニューラルネットワークの理論的保証を提供する。
- 参考スコア（独自算出の注目度）: 6.206127662604578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum reservoir computing uses the dynamics of quantum systems to process temporal data, making it particularly well-suited for learning with noisy intermediate-scale quantum devices. Early experimental proposals, such as the restarting and rewinding protocols, relied on repeating previous steps of the quantum map to avoid backaction. However, this approach compromises real-time processing and increases computational overhead. Recent developments have introduced alternative protocols that address these limitations. These include online, mid-circuit measurement, and feedback techniques, which enable real-time computation while preserving the input history. Among these, the feedback protocol stands out for its ability to process temporal information with comparatively fewer components. Despite this potential advantage, the theoretical foundations of feedback-based quantum reservoir computing remain underdeveloped, particularly with regard to the universality and the approximation capabilities of this approach. This paper addresses this issue by presenting a recurrent quantum neural network architecture that extends a class of existing feedforward models to a dynamic, feedback-driven reservoir setting. We provide theoretical guarantees for variational recurrent quantum neural networks, including approximation bounds and universality results. Notably, our analysis demonstrates that the model is universal with linear readouts, making it both powerful and experimentally accessible. These results pave the way for practical and theoretically grounded quantum reservoir computing with real-time processing capabilities.
- Abstract（参考訳）: 量子貯水池コンピューティングは、時間データの処理に量子システムのダイナミクスを使用し、ノイズの多い中間スケールの量子デバイスで学ぶのに特に適している。
再起動や巻き戻しといった初期の実験的な提案は、バックアクションを避けるために、量子マップの以前のステップを繰り返すことに依存していた。
しかし、このアプローチはリアルタイム処理を妥協し、計算オーバーヘッドを増大させる。
近年、これらの制限に対処する代替プロトコルが導入されている。
これには、オンライン、ミッド回路計測、フィードバック技術が含まれており、入力履歴を保存しながらリアルタイムの計算を可能にする。
これらのうち、フィードバックプロトコルは、比較的少ないコンポーネントで時間情報を処理できることが注目されている。
この潜在的な利点にもかかわらず、フィードバックに基づく量子貯水池計算の理論的基礎は、特にこのアプローチの普遍性と近似能力に関して未開発のままである。
本稿では、既存のフィードフォワードモデルのクラスを動的にフィードバック駆動型貯水池設定に拡張する、リカレント量子ニューラルネットワークアーキテクチャを提案することにより、この問題に対処する。
近似バウンダリと普遍性結果を含む変分繰り返し量子ニューラルネットワークの理論的保証を提供する。
特に,このモデルが線形読み出しで普遍的であることを示すため,強力かつ実験的に利用可能である。
これらの結果は、リアルタイム処理機能を備えた実用的で理論的に基礎付けられた量子貯水池コンピューティングの道を開くものである。
関連論文リスト
- VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。
このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
論文 参考訳（メタデータ） (2025-05-28T16:50:05Z) - Feedback Connections in Quantum Reservoir Computing with Mid-Circuit Measurements [0.0]
フィードバック接続を統合する新しい量子貯水池計算方式について検討する。
モデルが過去の入力を記憶できるように,連続処理中にフィードバック接続が効果的に動作可能であることを示す。
論文 参考訳（メタデータ） (2025-03-28T12:34:06Z) - The Impact of Architecture and Cost Function on Dissipative Quantum Neural Networks [0.016385815610837167]
本稿では,各ビルディングブロックが任意の量子チャネルを実装可能な,散逸型量子ニューラルネットワーク(DQNN)の新しいアーキテクチャを提案する。
アイソメトリの多目的な1対1パラメトリ化を導出し,提案手法の効率的な実装を可能にした。
論文 参考訳（メタデータ） (2025-02-13T17:38:48Z) - 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) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Stabilization and Dissipative Information Transfer of a Superconducting
Kerr-Cat Qubit [0.0]
そこで我々は,Cat-Qubitと呼ばれる量子ビットモデルへの消散情報伝達について検討した。
このモデルは、二項量子分類の散逸に基づくバージョンにとって特に重要である。
Cat-Qubitアーキテクチャは、人工ニューラルネットワークでアクティベーションライクな機能を実装できる可能性がある。
論文 参考訳（メタデータ） (2023-07-23T11:28:52Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - 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) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳（メタデータ） (2021-03-03T16:10:15Z)
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。