論文の概要: Quantum Reservoir Computing with Neutral Atoms on a Small, Complex, Medical Dataset
- arxiv url: http://arxiv.org/abs/2602.14641v1
- Date: Mon, 16 Feb 2026 11:03:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 16:22:50.374003
- Title: Quantum Reservoir Computing with Neutral Atoms on a Small, Complex, Medical Dataset
- Title（参考訳）: 小型で複雑な医療データセット上の中性原子を用いた量子貯留層計算
- Authors: Luke Antoncich, Yuben Moodley, Ugo Varetto, Jingbo Wang, Jonathan Wurtz, Jing Chen, Pascal Jahan Elahi, Casey R. Myers,
- Abstract要約: Rydberg プロセッサ textitAquila 上でのノイズレスエミュレーションとハードウェア実行の両方を用いて量子貯水池計算(QRC)について検討する。
エミュレートされた量子特徴でトレーニングされたモデルは、古典的な特徴でトレーニングされたモデルに匹敵する平均的なテスト精度を達成するが、より高いトレーニング精度とデータ分割に対する大きなばらつきを持ち、オーバーフィッティングと整合する。
この精度の向上と安定性の向上の組み合わせは、ハードウェア実行によって引き起こされる正規化効果を示唆している。
- 参考スコア（独自算出の注目度）: 5.786250122999547
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Biomarker-based prediction of clinical outcomes is challenging due to nonlinear relationships, correlated features, and the limited size of many medical datasets. Classical machine-learning methods can struggle under these conditions, motivating the search for alternatives. In this work, we investigate quantum reservoir computing (QRC), using both noiseless emulation and hardware execution on the neutral-atom Rydberg processor \textit{Aquila}. We evaluate performance with six classical machine-learning models and use SHAP to generate feature subsets. We find that models trained on emulated quantum features achieve mean test accuracies comparable to those trained on classical features, but have higher training accuracies and greater variability over data splits, consistent with overfitting. When comparing hardware execution of QRC to noiseless emulation, the models are more robust over different data splits and often exhibit statistically significant improvements in mean test accuracy. This combination of improved accuracy and increased stability is suggestive of a regularising effect induced by hardware execution. To investigate the origin of this behaviour, we examine the statistical differences between hardware and emulated quantum feature distributions. We find that hardware execution applies a structured, time-dependent transformation characterised by compression toward the mean and a progressive reduction in mutual information relative to emulation.
- Abstract（参考訳）: バイオマーカーに基づく臨床結果の予測は, 非線形関係, 相関特徴, 医療データセットの限られたサイズにより困難である。
古典的な機械学習手法はこれらの条件下で苦労し、代替手段の探索を動機付けている。
本研究では,中性原子Rydbergプロセッサ上でのノイズレスエミュレーションとハードウェア実行の両方を用いて,量子貯水池計算(QRC)について検討する。
6つの古典的機械学習モデルを用いて性能評価を行い,特徴部分集合を生成するためにSHAPを用いた。
エミュレートされた量子特徴でトレーニングされたモデルは、古典的な特徴でトレーニングされたモデルに匹敵する平均的なテスト精度を達成するが、より高いトレーニング精度とデータ分割に対する大きなばらつきを持ち、オーバーフィッティングと整合する。
QRCのハードウェア実行とノイズレスエミュレーションを比較する場合、モデルは異なるデータ分割よりも堅牢であり、平均テスト精度の統計的に有意な改善を示すことが多い。
この精度の向上と安定性の向上の組み合わせは、ハードウェア実行によって引き起こされる正規化効果を示唆している。
この挙動の起源を明らかにするために,ハードウェアとエミュレートされた量子特徴分布の統計的差異について検討する。
ハードウェアの実行は、平均に対する圧縮とエミュレーションに対する相互情報の漸進的な減少によって特徴付けられる構造化された時間依存変換を適用する。
関連論文リスト
- Deep Learning Approaches to Quantum Error Mitigation [0.2504492508782606]
本稿では,雑音発生確率分布の量子誤差軽減に応用したディープラーニング手法の系統的研究を行う。
シーケンス・ツー・シークエンス・アテンション・ベース・モデルが最も効果的なデータセットとして認識する。
いくつかの異なる回路深度で、本手法は他のベースライン誤差軽減手法よりも優れている。
論文 参考訳（メタデータ） (2026-01-20T18:40:22Z) - Assessing the performance of correlation-based multi-fidelity neural emulators [0.0]
マルチファイダリティニューラルエミュレータは、限られた高フィダリティデータと豊富な低フィダリティモデルソリューションを統合することで、入出力マッピングを学習するように設計されている。
本研究では,高忠実度データと豊富な低忠実度モデル解を統合することで,入力から出力へのマッピングを学習するためのニューラルネットワークである多忠実度ニューラルネットワークエミュレータの性能について検討する。
論文 参考訳（メタデータ） (2025-12-02T15:31:21Z) - Data-Efficient Quantum Noise Modeling via Machine Learning [0.3279176777295314]
超伝導量子プロセッサのための正確なパラメータ化ノイズモデルを構築するための,データ効率のよい機械学習ベースのフレームワークを提案する。
本研究では,小規模回路のみに学習したモデルにより,大規模回路の動作を正確に予測できることを示す。
論文 参考訳（メタデータ） (2025-09-16T10:30:28Z) - 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) - Robust Confinement State Classification with Uncertainty Quantification through Ensembled Data-Driven Methods [39.27649013012046]
本研究では,不確実性定量化とモデルロバスト性を考慮した閉じ込め状態分類法を開発した。
我々は,TV放電のオフライン解析に焦点をあて,Lモード,Hモード,および中間ディザリング位相(D)を区別する。
302TCV放電のデータセットは完全にラベル付けされ、一般公開される。
論文 参考訳（メタデータ） (2025-02-24T18:25:22Z) - Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。
ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。
ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
論文 参考訳（メタデータ） (2025-01-14T15:14:26Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z)
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。