論文の概要: Behind the scenes of the Quantum Extreme Learning Machines

• arxiv url: http://arxiv.org/abs/2509.06873v1
• Date: Mon, 08 Sep 2025 16:43:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.267212
• Title: Behind the scenes of the Quantum Extreme Learning Machines
• Title（参考訳）: 量子エクストリーム学習マシンの裏側
• Authors: A. De Lorenzis, M. P. Casado, N. Lo Gullo, T. Lux, F. Plastina, A. Riera,
• Abstract要約: 本稿では,エクストリーム学習マシンの量子変種である量子エクストリーム学習マシン(QELM)について検討する。 提案したアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態符号化、XXハミルトニアンによる進化、測定を組み合わせたものである。 進化時間の関数としてQELMの性能を解析することにより、低精度から高精度な状態への比較的鋭い遷移を同定し、その後精度が飽和する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, Quantum Machine Learning (QML) has grown rapidly, emerging as a promising approach to make quantum computing implementation competitive. In this work, we investigate Quantum Extreme Learning Machines (QELM), a quantum variant of Extreme Learning Machines where training is restricted to the output layer. The proposed architecture combines dimensionality reduction (via PCA or Autoencoders), quantum state encoding, evolution under an XX Hamiltonian, and measurement, providing features for a single-layer classifier. By analyzing the performance of QELMs as a function of the evolution time, we identify a relatively sharp transition from a low-accuracy to a high-accuracy regime, after which the accuracy saturates. Remarkably, the saturation value matches that achieved with random unitaries, which induce maximally complex dynamics and optimally scramble information across the system. Across all cases studied, the critical transition time is sufficient for information to reach nearest neighbors, enabling feature extraction for learning, and is independent of the system size (i.e., the number of qubits). This independence implies that QELMs can be efficiently simulated classically for a broad class of tasks.
• Abstract（参考訳）: 近年、量子機械学習(QML)は急速に成長し、量子コンピューティングの実装を競争力のあるものにするための有望なアプローチとして浮上している。 本研究では,エクストリーム学習マシンの量子変種である量子エクストリーム学習マシン(QELM)について検討する。 提案アーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、測定を組み合わせ、単層分類器の特徴を提供する。 進化時間の関数としてQELMの性能を解析することにより、低精度から高精度な状態への比較的鋭い遷移を同定し、その後精度が飽和する。 顕著なことに、飽和値はランダムなユニタリと一致し、最大複雑なダイナミクスを誘導し、システムをまたいで情報を最適にスクランブルする。 調査されたすべてのケースにおいて、臨界遷移時間は、隣人への情報の到達に十分であり、学習のための特徴抽出を可能にし、システムサイズ(すなわちキュービット数)に依存しない。 この独立性から、QELMは様々なタスクに対して古典的に効率的にシミュレートできる。

関連論文リスト

• Quantum Long Short-term Memory with Differentiable Architecture Search [9.511240423252707]
  QLSTMのような量子リカレントモデルは、時系列予測、NLP、強化学習を約束している。 DiffQAS-QLSTMは、トレーニング中のVQCパラメータとアーキテクチャ選択の両方を最適化するエンドツーエンドの差別化可能なフレームワークである。 我々の結果は、DiffQAS-QLSTMが手作りのベースラインを一貫して上回り、多様なテスト設定で損失を減らしていることを示している。
  論文  参考訳（メタデータ） (2025-08-20T16:15:00Z)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• Quantum autoencoders for image classification [0.0]
  量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。 本研究では,QAEを用いた新しい画像分類手法を提案する。
  論文  参考訳（メタデータ） (2025-02-21T07:13:38Z)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)

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。