論文の概要: Efficient time-series prediction on NISQ devices via time-delayed quantum extreme learning machine
- arxiv url: http://arxiv.org/abs/2602.21544v1
- Date: Wed, 25 Feb 2026 04:03:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.693812
- Title: Efficient time-series prediction on NISQ devices via time-delayed quantum extreme learning machine
- Title（参考訳）: 時間遅延量子極端学習マシンによるNISQデバイス上での効率的な時系列予測
- Authors: Mio Kawanabe, Saud Cindrak, Kathy Luedge, Jun-ichi Shirakashi, Tetsuo Shibuya, Hiroshi Imai,
- Abstract要約: 雑音量子デバイス上での効率的な時系列予測のための時間遅延量子極端学習マシン(TD-QELM)を提案する。
複数の過去の入力を同時に符号化することにより、TD-QELMはシーケンス長に依存しない浅い回路深さを実現する。
NARMAベンチマークによるノイズレスシミュレーションとIBMの127量子ビットプロセッサの実験は、TD-QELMが従来の量子貯水池計算より一貫して優れていることを示した。
- 参考スコア（独自算出の注目度）: 0.7388859384645263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We proposed a time-delayed quantum extreme learning machine (TD-QELM) for efficient time-series prediction on noisy intermediate-scale quantum (NISQ) devices. By encoding multiple past inputs simultaneously, TD-QELM achieves shallow circuit depth independent of sequence length, thereby, mitigating noise accumulation and reducing computational complexity. Experiments using the NARMA benchmark on both noiseless simulations and IBM's 127-qubit processor demonstrate that TD-QELM consistently outperforms conventional quantum reservoir computing in prediction accuracy and noise robustness. These results highlight TD-QELM as a practical and scalable framework for time-series learning on current NISQ hardware.
- Abstract（参考訳）: 我々は、ノイズの多い中間規模量子(NISQ)デバイス上での効率的な時系列予測のための時間遅延量子エクストリームラーニングマシン(TD-QELM)を提案する。
複数の過去の入力を同時に符号化することにより、TD-QELMはシーケンス長に依存しない浅い回路深さを実現し、ノイズの蓄積を軽減し、計算複雑性を低減する。
NARMAベンチマークによるノイズレスシミュレーションとIBMの127量子ビットプロセッサの実験は、TD-QELMが予測精度とノイズ堅牢性において従来の量子貯水池計算より一貫して優れていることを示した。
これらの結果から,現在のNISQハードウェア上での時系列学習のための実用的でスケーラブルなフレームワークとして,TD-QELMが注目されている。
関連論文リスト
- Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。
我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。
この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
論文 参考訳（メタデータ） (2025-09-08T16:43:37Z) - Quantum Long Short-term Memory with Differentiable Architecture Search [9.511240423252707]
QLSTMのような量子リカレントモデルは、時系列予測、NLP、強化学習を約束している。
DiffQAS-QLSTMは、トレーニング中のVQCパラメータとアーキテクチャ選択の両方を最適化するエンドツーエンドの差別化可能なフレームワークである。
我々の結果は、DiffQAS-QLSTMが手作りのベースラインを一貫して上回り、多様なテスト設定で損失を減らしていることを示している。
論文 参考訳（メタデータ） (2025-08-20T16:15:00Z) - Optimal training of finitely-sampled quantum reservoir computers for forecasting of chaotic dynamics [3.7960472831772765]
現在のノイズ中間スケール量子(NISQ)時代には、ノイズの存在は量子コンピューティングアルゴリズムの性能を悪化させる。
本稿では,有限サンプリングノイズが量子貯留層計算(QRC)と再帰性のない量子貯留層計算(RF-QRC)のカオス的時系列予測能力に与える影響を解析する。
有限サンプリングノイズはQRCとRF-QRCの両方の予測能力を劣化させるが,ノイズの伝搬によりQRCに悪影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2024-09-02T17:51:48Z) - On Reducing the Execution Latency of Superconducting Quantum Processors via Quantum Job Scheduling [47.39648643132327]
本稿では,量子資源の利用効率を向上させるために,量子ジョブスケジューリング問題(QJSP)を導入する。
本稿では、回路幅、計測ショット数、量子ジョブの提出時間に関するノイズ対応量子ジョブスケジューラ(NAQJS)を提案する。
我々は,シミュレートされたカイスキットノイズモデルと,超伝導量子プロセッサのXiaohong(QuantumCTek)について広範な実験を行った。
論文 参考訳（メタデータ） (2024-04-11T16:12:01Z) - Compressed-sensing Lindbladian quantum tomography with trapped ions [44.99833362998488]
量子システムの力学を特徴づけることは、量子情報プロセッサの開発における中心的な課題である。
従来の欠点を緩和するLindbladian quantum tomography(LQT)の2つの改良点を提案する。
論文 参考訳（メタデータ） (2024-03-12T09:58:37Z) - Optimized noise-assisted simulation of the Lindblad equation with
time-dependent coefficients on a noisy quantum processor [0.6990493129893112]
ノイズは、NISQ(Noisy Intermediate-Scale Quantum)デバイス上のオープンシステムのデジタル量子シミュレーションにおける資産となる。
最適化されたデコヒーレンス率制御方式を導入し、計算要求を桁違いに削減する。
論文 参考訳（メタデータ） (2024-02-12T12:48:03Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - 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) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。