論文の概要: High-Accuracy Temporal Prediction via Experimental Quantum Reservoir Computing in Correlated Spins

• arxiv url: http://arxiv.org/abs/2508.12383v1
• Date: Sun, 17 Aug 2025 14:40:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.710832
• Title: High-Accuracy Temporal Prediction via Experimental Quantum Reservoir Computing in Correlated Spins
• Title（参考訳）: 相関スピンにおける実験量子貯留層計算による高精度時間予測
• Authors: Yanjun Hou, Juncheng Hua, Ze Wu, Wei Xia, Yuquan Chen, Xiaopeng Li, Zhaokai Li, Xinhua Peng, Jiangfeng Du,
• Abstract要約: 相関量子スピンシステムに基づく新しい量子貯水池計算手法を提案する。 我々は,標準時系列ベンチマークの実験において,最先端の性能を達成する。 長期の天気予報では、我々の9スピン量子貯水池は数千のノードを持つ古典的な貯水池よりも予測精度が高い。
• 参考スコア（独自算出の注目度）: 15.83883278616598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical reservoir computing provides a powerful machine learning paradigm that exploits nonlinear physical dynamics for efficient information processing. By incorporating quantum effects, quantum reservoir computing gains superior potential in machine learning applications, for the quantum dynamics are exponentially costly to simulate classically. Here, we present a novel quantum reservoir computing approach based on correlated quantum spin systems, exploiting natural quantum many-body interactions to generate reservoir dynamics, thereby circumventing the practical challenges of deep quantum circuits. Our experimental implementation supports nontrivial quantum entanglement and exhibits sufficient dynamical complexity for high-performance machine learning. We achieve state-of-the-art performance in experiments on standard time-series benchmarks, reducing prediction error by one to two orders of magnitude compared to previous quantum reservoir experiments. In long-term weather forecasting, our 9-spin quantum reservoir delivers greater prediction accuracy than classical reservoirs with thousands of nodes. This represents a first experimental demonstration of quantum machine learning outperforming large-scale classical models on real-world tasks.
• Abstract（参考訳）: 物理貯水池コンピューティングは、効率的な情報処理のために非線形物理力学を利用する強力な機械学習パラダイムを提供する。 量子力学が古典的にシミュレートするために指数関数的にコストがかかるため、量子貯水池計算は機械学習アプリケーションにおいて優れたポテンシャルを得る。 本稿では、相関量子スピン系に基づく新しい量子貯水池計算手法を提案し、自然量子多体相互作用を利用して貯水池力学を発生させ、深部量子回路の実用化課題を回避する。 実験的な実装は、非自明な量子絡み合いをサポートし、高性能機械学習に十分な動的複雑さを示す。 我々は,従来の量子貯水池実験と比較して1～2桁の予測誤差を低減し,標準時系列ベンチマーク実験における最先端性能を実現する。 長期の天気予報では、我々の9スピン量子貯水池は数千のノードを持つ古典的な貯水池よりも予測精度が高い。 これは、量子機械学習が現実世界のタスクで大規模な古典的モデルを上回る最初の実験的なデモンストレーションである。

関連論文リスト

• Experimental quantum reservoir computing with a circuit quantum electrodynamics system [0.9786690381850356]
  量子貯水池コンピューティングは、他の量子ニューラルネットワークモデルと比較してトレーニングの容易さを提供する機械学習フレームワークである。 本稿では,回路量子電気力学アーキテクチャに基づく新しい量子貯水池計算プラットフォームを提案し,実験的に実装する。 我々の研究は、ハードウェア効率のよい量子ニューラルネットワークの実装を示し、他の量子機械学習モデルにさらにスケールアップして一般化することができる。
  論文  参考訳（メタデータ） (2025-06-27T08:31:36Z)
• 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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Quantum-classical simulation of quantum field theory by quantum circuit learning [0.0]
  量子回路学習を用いて量子場理論(QFT)をシミュレートする。 我々の予測は厳密な古典計算の結果と密接に一致している。 このハイブリッド量子古典的アプローチは、最先端量子デバイス上での大規模QFTを効率的にシミュレートする可能性を示している。
  論文  参考訳（メタデータ） (2023-11-27T20:18:39Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,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） (2020-12-08T01:10:30Z)
• Power of data in quantum machine learning [2.1012068875084964]
  データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。 本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:00:01Z)

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。