論文の概要: Quantum Extreme Reservoir Computing for Phase Classification of Polymer Alloy Microstructures

• arxiv url: http://arxiv.org/abs/2601.02150v1
• Date: Mon, 05 Jan 2026 14:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.220003
• Title: Quantum Extreme Reservoir Computing for Phase Classification of Polymer Alloy Microstructures
• Title（参考訳）: 高分子合金組織相分類のための量子極端貯留層計算
• Authors: Arisa Ikeda, Akitada Sakurai, Kae Nemoto, Mayu Muramatsu,
• Abstract要約: 自己整合体場理論(SCFT)を用いた高分子合金の分類に量子極端貯水池計算(QERC)を適用した。 その結果、現実的な材料データセット上でのQERC性能を示し、量子エンコーダの設計とモデル一般化のための実用的なガイドラインを提案する。
• 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: Quantum machine learning (QML) is expected to offer new opportunities to process high-dimensional data efficiently by exploiting the exponentially large state space of quantum systems. In this work, we apply quantum extreme reservoir computing (QERC) to the classification of microstructure images of polymer alloys generated using self-consistent field theory (SCFT). While previous QML efforts have primarily focused on benchmark datasets such as MNIST, our work demonstrates the applicability of QERC to engineering data with direct materials relevance. Through numerical experiments, we examine the influence of key computational parameters-including the number of qubits, sampling cost (the number of measurement shots), and reservoir configuration-on classification performance. The resulting phase classifications are depicted as phase diagrams that illustrate the phase transitions in polymer morphology, establishing an understandable connection between quantum model outputs and material behavior. These results illustrate QERC performance on realistic materials datasets and suggest practical guidelines for quantum encoder design and model generalization. This work establishes a foundation for integrating quantum learning techniques into materials informatics.
• Abstract（参考訳）: 量子機械学習(QML)は、指数関数的に大きな量子系の状態空間を利用することで、高次元データを効率的に処理する新たな機会を提供すると期待されている。 本研究では, 自己整合体場理論(SCFT)を用いて生成した高分子合金の微細構造像の分類に量子極端貯水池計算(QERC)を適用した。 これまでのQMLの取り組みは主にMNISTなどのベンチマークデータセットに重点を置いてきたが、我々の研究はQERCが直接材料関連性のあるエンジニアリングデータに適用可能であることを実証している。 数値実験により, 量子ビット数, サンプリングコスト (計測ショット数), 貯水池構成の分類性能など, 重要な計算パラメータの影響について検討した。 得られた相分類は、高分子形態学における相転移を図示する相図として描かれ、量子モデル出力と物質挙動の間の理解可能な関係を確立する。 これらの結果は、現実的な材料データセット上でのQERC性能を示し、量子エンコーダの設計とモデル一般化のための実用的なガイドラインを提案する。 この研究は、量子学習技術を材料情報学に統合するための基盤を確立する。

関連論文リスト

• Quenched Quantum Feature Maps [32.2069811127299]
  本稿では,量子スピンガラスのクエンチダイナミクスを利用して複雑なデータパターンを抽出する量子特徴マッピング手法を提案する。 我々の研究は量子アドバンテージレベルにおける最初の量子MLデモを示し、量子超越性と有用な実世界の学術的・産業的応用とのギャップを埋める。
  論文  参考訳（メタデータ） (2025-08-28T16:28:48Z)
• Typical Machine Learning Datasets as Low-Depth Quantum Circuits [0.04654705430482874]
  我々は,従来の画像データを量子状態としてロードする低深度量子回路を見つけるための効率的なアルゴリズムを開発した。 我々は,MNIST,Fashion-MNIST,CIFAR-10,Imagenetteデータセットについて系統的研究を行った。
  論文  参考訳（メタデータ） (2025-05-06T10:27:51Z)
• Continuous-Variable Quantum Encoding Techniques: A Comparative Study of Embedding Techniques and Their Impact on Machine Learning Performance [0.0]
  連続変数量子コンピューティング(CVQC)と古典機械学習の交点について検討する。 CVQCに基づく符号化法は特徴表現性を著しく向上し,分類精度とF1スコアが向上した。 量子表現可能性と古典的学習可能性のトレードオフを考察し、これらの量子符号化を現実のアプリケーションに組み込むことの現実的な実現可能性に関する洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-09T00:00:45Z)
• Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fabrication: Application to Ohmic Contact [18.42230728589117]
  我々は、浅いポーリZ特徴写像とトレーニング可能な量子カーネルアライメント層を組み合わせた量子カーネルアライメント回帰器(QKAR)を開発した。 QKARは、古典的なベースラインを複数のメトリクスで一貫して上回る。 これらの結果は、注意深く構築されたQMLモデルが、データ拘束型半導体モデリングにおいて予測上の利点をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2024-09-17T00:44:49Z)
• 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)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。