論文の概要: Image Denoising via Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2512.18612v1
• Date: Sun, 21 Dec 2025 06:12:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.420391
• Title: Image Denoising via Quantum Reservoir Computing
• Title（参考訳）: 量子貯留層計算による画像デノーミング
• Authors: Soumyadip Das, Luke Antoncich, Jingbo B. Wang,
• Abstract要約: 量子Reservoir Computing (QRC) は、情報処理に量子システムの自然力学を利用する。 画像復調のためのハイブリッド量子古典フレームワークにQRCを適用した。 以上の結果から,QRCに基づくアプローチは画像のシャープネスの向上と構造回復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://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Reservoir Computing (QRC) leverages the natural dynamics of quantum systems for information processing, without requiring a fault-tolerant quantum computer. In this work, we apply QRC within a hybrid quantum classical framework for image denoising. The quantum reservoir is implemented using a Rydberg atom array, while a classical neural network serves as the readout layer. To prepare the input, images are first compressed using Principal Component Analysis (PCA), reducing their dimensionality to match the size of the atom array. Each feature vector is encoded into local detuning parameters of a time-dependent Hamiltonian governing the Rydberg system. As the system evolves, it generates nonlinear embeddings through the measurement of observables across multiple time steps. These temporal embeddings capture complex correlations, which are fed into a classical neural network to reconstruct the denoised images. To evaluate performance, we compare this QRC-assisted model against a baseline architecture consisting of PCA followed by a dense neural network, trained under identical conditions. Our results show that the QRC-based approach achieves improved image sharpness and similar structural recovery compared to the PCA-based model. We demonstrate the practical viability of this framework through experiments on QuEra's Aquila neutral-atom processor, leveraging its programmable atom arrays to physically realize the reservoir dynamics.
• Abstract（参考訳）: 量子Reservoir Computing (QRC) は、フォールトトレラントな量子コンピュータを必要とせず、情報処理に量子システムの自然な力学を利用する。 本研究では,QRCをハイブリッド量子古典フレームワークに適用し,画像の復調を行う。 量子貯水池はRydberg原子配列を用いて実装され、古典的なニューラルネットワークは読み出し層として機能する。 入力を作成するために、画像はまず主成分分析(PCA)を用いて圧縮される。 各特徴ベクトルは、リードベルク系を管理する時間依存ハミルトニアンの局所分解パラメータに符号化される。 システムが進化するにつれて、複数の時間ステップで観測可能なものを測定することによって非線形な埋め込みを生成する。 これらの時間的埋め込みは複雑な相関を捉え、古典的なニューラルネットワークに入力され、復調された画像を再構成する。 性能を評価するため,このQRC支援モデルとPCAと高密度ニューラルネットワークを組み合わせたベースラインアーキテクチャを比較し,同一条件下でトレーニングした。 以上の結果から,PCAモデルに比べて画像のシャープネスや構造回復性が向上することが示唆された。 我々はQuEraのAquila中性原子プロセッサの実験を通じて,そのプログラム可能な原子配列を利用して貯留層力学を物理的に実現し,このフレームワークの実用性を示す。

関連論文リスト

• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• 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)
• Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints [2.3895835682351287]
  量子畳み込みニューラルネットワーク(CNN)は、古典的アプローチを上回る可能性を秘めている。 本稿では,入力次元を大幅に削減する符号化方式を提案する。 我々はIBMのHeron r2量子プロセッサの実験を検証し、分類精度は96.08%である。
  論文  参考訳（メタデータ） (2025-05-09T11:09:52Z)
• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。 オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。 これらの特徴を5量子ビット量子状態にマッピングする。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• Impact of the form of weighted networks on the quantum extreme reservoir computation [0.0]
  量子極端貯水池計算(QERC)は、汎用的な量子ニューラルネットワークモデルである。 本稿では,その簡単な実装経路を持つ乱れ離散時間結晶に基づく単純なハミルトンモデルが,ほぼ最適性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2022-11-15T01:50:47Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)

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。