論文の概要: Learning functions of quantum states with distributed architectures

• arxiv url: http://arxiv.org/abs/2602.11797v1
• Date: Thu, 12 Feb 2026 10:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.767986
• Title: Learning functions of quantum states with distributed architectures
• Title（参考訳）: 分散アーキテクチャによる量子状態の学習関数
• Authors: Marta Gili, Eliana Fiorelli, Ane Blázquez-García, Gian Luca Giorgi, Roberta Zambrini,
• Abstract要約: データから直接量子状態の関数を学習するための分散量子エクストリーム学習マシン(QELM)アーキテクチャの設計と性能を解析する。 目的は、線形および非線形両方の特徴を含む入力量子状態の特定の特性を効果的に回復できるスキームを決定することである。
• 参考スコア（独自算出の注目度）: 0.44040106718326594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed architectures are gaining prominence in quantum machine learning as a means to overcome hardware limitations and enable scalable quantum information processing. In this context, we analyze the design and performance of distributed Quantum Extreme Learning Machine (QELM) architectures for learning functions of quantum states directly from data, restricting measurements to easily implementable projective measurements in the computational basis. The aim is to determine which schemes can effectively recover specific properties of input quantum states, including both linear and nonlinear features, while also quantifying the resource requirements in terms of measurements and reservoir dimensionality. We compare standard three-layer QELM with a spatially multiplexed architecture composed of multiple independent three-layer units for linear (quantum) tasks, showing a linear reduction in resource requirements per unit. For nonlinear properties, the study examines the multiple-injection architecture and introduces a novel distributed design that incorporates entanglement between subsystems within a spatially multiplexed framework, evaluating its performance through the reconstruction of complex nonlinear quantities such as polynomial targets, Rényi entropy, and entanglement measures. Our results demonstrate that the distributed design enables the reconstruction of higher-order nonlinearities by increasing the number of interacting subsystems with reduced resources, rather than increasing the size of an individual reservoir, providing a scalable and hardware-efficient route to quantum property learning.
• Abstract（参考訳）: 分散アーキテクチャは、ハードウェアの限界を克服し、スケーラブルな量子情報処理を可能にする手段として、量子機械学習で注目されている。 本研究では,データから直接量子状態の関数を学習するための分散量子エクストリーム学習マシン(QELM)アーキテクチャの設計と性能を解析し,計算ベースで容易に実装可能な射影計測に制限を加える。 目的は、線形および非線形の特徴を含む入力量子状態の特定の特性を効果的に回復できるスキームを決定することであり、また、測定や貯水池次元の観点で資源要求を定量化することである。 標準の3層QELMと、線形(量子)タスクのための複数の独立した3層ユニットからなる空間多重アーキテクチャを比較し、単位当たりのリソース要求の線形化を示す。 非線形特性について、この研究は多重射出構造を調べ、空間的多重化フレームワーク内のサブシステム間の絡み合いを取り入れた新しい分散設計を導入し、多項式ターゲット、レニーエントロピー、エントロピーなどの複雑な非線形量の再構成を通じてその性能を評価する。 これらの結果から,分散設計は,個別の貯水池のサイズを増大させるのではなく,リソースの少ない相互作用サブシステムの数を増やし,スケーラブルでハードウェア効率の良い量子特性学習経路を提供することにより,高次非線形性の再構築を可能にすることを示した。

関連論文リスト

• Neural Network Architectures for Scalable Quantum State Tomography: Benchmarking and Memristor-Based Acceleration [0.9572566550427288]
  量子状態トモグラフィ(QST)は、量子システムの特徴付けと検証に不可欠である。 以前の性能の主張は、体系的な検証よりもアーキテクチャ上の仮定に依存していた。 いくつかのニューラルネットワークアーキテクチャをベンチマークして、キュービット数で効果的にスケールするかを判断し、システムサイズが大きくなるにつれて高い忠実性を維持することができない。
  論文  参考訳（メタデータ） (2025-07-30T18:12:10Z)
• 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)
• Learning local equivariant representations for quantum operators [7.377639942466163]
  本稿では,複数の量子演算子を予測するための新しいディープラーニングモデルSLEMを提案する。 SLEMは、計算効率を劇的に改善しながら最先端の精度を達成する。 SLEMの能力は多種多様な2次元および3次元材料にまたがって実証し,限られた訓練データでも高い精度を達成できることを示した。
  論文  参考訳（メタデータ） (2024-07-08T15:55:12Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
  エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。 このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。 精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:39:34Z)
• 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。