論文の概要: Quantum Reservoir Computing for Credit Card Default Prediction on a Neutral Atom Platform

• arxiv url: http://arxiv.org/abs/2510.04747v1
• Date: Mon, 06 Oct 2025 12:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.845088
• Title: Quantum Reservoir Computing for Credit Card Default Prediction on a Neutral Atom Platform
• Title（参考訳）: 中性原子プラットフォーム上でのクレジットカードデフォルト予測のための量子貯留層計算
• Authors: Giacomo Vitali, Chiara Vercellino, Paolo Viviani, Olivier Terzo, Bartolomeo Montrucchio, Valeria Zaffaroni, Francesca Cibrario, Christian Mattia, Giacomo Ranieri, Alessandro Sabatino, Francesco Bonazzi, Davide Corbelletto,
• Abstract要約: データ前処理とバイナリ分類を含む古典的なルーチン内に量子貯留層を実装した。 貯水層は256キュービットの中性原子シミュレータQuEraのAquila上で実行されている。 結果は、Deep Neural Network(DNN)モデルを含む、完全に古典的なパイプラインと比較される。
• 参考スコア（独自算出の注目度）: 29.13676249580617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we define and benchmark a hybrid quantum-classical machine learning pipeline by performing a binary classification task applied to a real-world financial use case. Specifically, we implement a Quantum Reservoir Computing (QRC) layer within a classical routine that includes data preprocessing and binary classification. The reservoir layer has been executed on QuEra's Aquila, a 256-qubit neutral atom simulator, using two different types of encoding: position and local detuning. In the former case, classical data are encoded into the relative distance between atoms; in the latter, into pulse amplitudes. The developed pipeline is applied to predict credit card defaults using a public dataset and a wide variety of traditional classifiers. The results are compared with a fully-classical pipeline including a Deep Neural Network (DNN) model. Additionally, the impact of hardware noise on classification performance is evaluated by comparing the results obtained using Aquila within the classification workflow with those obtained using a classical, noiseless emulation of the quantum system. The results indicate that the noiseless emulation achieves competitive performance with the fully-classical pipeline, while noise significantly degrades overall performance. Although the results for this specific use case are comparable to those of the classical benchmark, the flexibility and scalability of QRC highlight strong potential for a wide range of applications.
• Abstract（参考訳）: 本稿では,現実の金融ユースケースに適用したバイナリ分類タスクを実行することで,ハイブリッドな量子古典型機械学習パイプラインを定義し,ベンチマークする。 具体的には、データ前処理とバイナリ分類を含む古典的なルーチン内に、QRC(Quantum Reservoir Computing)層を実装します。 貯水層は256キュービットの中性原子シミュレータであるQuEraのAquila上で、位置と局所デチューニングという2種類のエンコーディングを使用して実行されている。 前者の場合、古典的なデータは原子間の相対距離に符号化され、後者はパルス振幅に符号化される。 開発されたパイプラインは、パブリックデータセットとさまざまな従来の分類器を使用して、クレジットカードのデフォルトを予測するために適用される。 結果は、Deep Neural Network(DNN)モデルを含む、完全に古典的なパイプラインと比較される。 さらに、ハードウェアノイズが分類性能に与える影響を、Aquilaを用いて得られた結果と古典的でノイズのない量子系のエミュレーションを用いて得られた結果とを比較して評価する。 その結果、ノイズのないエミュレーションは、完全古典的なパイプラインとの競合性能を達成する一方、ノイズは全体的な性能を著しく低下させることがわかった。 この特定のユースケースの結果は、古典的なベンチマークに匹敵するが、QRCの柔軟性とスケーラビリティは、広範囲のアプリケーションに対して強い可能性を浮き彫りにしている。

関連論文リスト

• Quantum Machine Learning Applied to the Sinking of the Titanic [0.0]
  量子モデルは、最大50の変動パラメータを持つパウリエンタングリングと非エンタングリング拡張ベースの特徴写像とリアル振幅アンサッツを用いて構築された。 モデルトレーニングでは、クロスエントロピー損失を最小限に抑えるため、COBYLAグラデーションフリーフレームワークを使用した。
  論文  参考訳（メタデータ） (2025-08-31T16:00:52Z)
• Hybrid Quantum-Classical Learning for Multiclass Image Classification [0.15749416770494704]
  そこで本研究では,QCNNを完全連結の古典層に結合したハイブリッド量子古典アーキテクチャを提案する。 この方法は、MNIST、Fashion-MNIST、OrganAMNISTで同等の軽量モデルより優れている。 これらの結果は、捨てられた量子ビット情報の再利用が将来のハイブリッド量子古典モデルにとって有望なアプローチであることを示している。
  論文  参考訳（メタデータ） (2025-08-25T16:12:18Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Disentangling Quantum and Classical Contributions in Hybrid Quantum Machine Learning Architectures [4.646930308096446]
  ハイブリッドトランスファー学習ソリューションが開発され、訓練済みの古典モデルと量子回路を融合した。 それぞれのコンポーネント(古典的、量子的)がモデルの結果にどの程度貢献するかは、まだ不明である。 本稿では,プレトレーニングされたネットワークを圧縮に利用する代わりに,オートエンコーダを用いて,圧縮したデータから圧縮したデータを導出するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-11-09T18:13:50Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)
• On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
  ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。 この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。 マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
  論文  参考訳（メタデータ） (2021-09-20T12:41:50Z)
• Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
  変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。 現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。 ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
  論文  参考訳（メタデータ） (2021-06-24T08:18:42Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。