Fugu-MT 論文翻訳(概要): Sustainable NARMA-10 Benchmarking for Quantum Reservoir Computing

論文の概要: Sustainable NARMA-10 Benchmarking for Quantum Reservoir Computing

arxiv url: http://arxiv.org/abs/2510.25183v1
Date: Mon, 27 Oct 2025 13:46:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-30 15:50:45.095232
Title: Sustainable NARMA-10 Benchmarking for Quantum Reservoir Computing
Title（参考訳）: 量子貯留層コンピューティングのための持続可能な NARMA-10ベンチマーク
Authors: Avyay Kodali, Priyanshi Singh, Pranay Pandey, Krishna Bhatia, Shalini Devendrababu, Srinjoy Ganguly,
Abstract要約: 量子貯留層コンピューティングは、潜在的な持続可能性の利点を提供しながら、競争の正確性を達成する。その結果、QRCは、特に資源制約のある環境で、潜在的な持続可能性の利点を達成できることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study compares Quantum Reservoir Computing (QRC) with classical models such as Echo State Networks (ESNs) and Long Short-Term Memory networks (LSTMs), as well as hybrid quantum-classical architectures (QLSTM), for the nonlinear autoregressive moving average task (NARMA-10). We evaluate forecasting accuracy (NRMSE), computational cost, and evaluation time. Results show that QRC achieves competitive accuracy while offering potential sustainability advantages, particularly in resource-constrained settings, highlighting its promise for sustainable time-series AI applications.
Abstract（参考訳）: 本研究では、非線形自己回帰移動平均タスク(NARMA-10)に対して、量子リザーバコンピューティング(QRC)と、Echo State Networks(ESNs)やLong Short-Term Memory Network(LSTMs)などの古典モデル、およびハイブリッド量子古典アーキテクチャ(QLSTM)を比較した。予測精度(NRMSE)、計算コスト、評価時間を評価する。結果として、QRCは、特にリソース制約のある設定において、サステナビリティのアドバンテージを提供しながら、競争の正確さを達成し、持続的な時系列AIアプリケーションに対するその約束を強調している。

関連論文リスト

Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文参考訳（メタデータ） (2025-10-15T12:17:23Z)
Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
この仕事は、数発の信用リスク評価の課題に取り組む。我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
論文参考訳（メタデータ） (2025-09-17T08:36:05Z)
Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
論文参考訳（メタデータ） (2025-04-30T06:19:37Z)
Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
論文参考訳（メタデータ） (2025-04-29T14:41:41Z)
Federated Quantum-Train Long Short-Term Memory for Gravitational Wave Signal [3.360429911727189]
本稿では,QT(Quantum-Train)方法論とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しいフレームワークであるFederated QT-LSTMについて述べる。トレーニング中に量子ニューラルネットワーク(QNN)を利用して古典的なLSTMモデルパラメータを生成することで、このフレームワークはモデル圧縮、スケーラビリティ、計算効率の課題を効果的に解決する。
論文参考訳（メタデータ） (2025-03-20T11:34:13Z)
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)
Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-21T21:40:47Z)
Efficient quantum recurrent reinforcement learning via quantum reservoir computing [3.6881738506505988]
量子強化学習(QRL)は、シーケンシャルな意思決定タスクを解決するためのフレームワークとして登場した。本研究は、QRNNベースの量子長短期メモリ(QLSTM)を用いたQRLエージェントの構築により、この課題に対処する新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-09-13T22:18:38Z)
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)
Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
論文参考訳（メタデータ） (2023-07-25T00:38:46Z)
Simulation of Open Quantum Dynamics with Bootstrap-Based Long Short-Term Memory Recurrent Neural Network [0.0]
ブートストラップ法はLSTM-NNの構成と予測に適用される。ブートストラップに基づくLSTM-NNアプローチは、オープンシステムの長期量子力学を伝播する実用的で強力なツールである。
論文参考訳（メタデータ） (2021-08-03T05:58:54Z)

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。