論文の概要: Breaking concentration barriers for quantum extreme learning on digital quantum processors

• arxiv url: http://arxiv.org/abs/2603.13005v1
• Date: Fri, 13 Mar 2026 14:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.106536
• Title: Breaking concentration barriers for quantum extreme learning on digital quantum processors
• Title（参考訳）: 量子量子プロセッサにおける量子極端学習のためのブレーキング濃度障壁
• Authors: Timothée Dao, Ege Yilmaz, Ibrahim Shehzad, Christophe Pere, Kumar Ghosh, Isabelle Wittmann, Thomas Brunschwiler, Giorgio Cortiana, Corey O'Meara, Stefan Woerner, Francesco Tacchino,
• Abstract要約: 本稿では,最先端の超伝導プラットフォームに適した量子エクストリーム学習マシン(QELM)を試作し,実演する。 QELMは最大124量子ビットと回路を使用し、IBM Quantumコンピュータ上で5,000以上の2量子ビットゲートを持つ。 我々は,効率的な特徴選択と効果的な情報検索が可能な局所固有タスク解析を開発した。
• 参考スコア（独自算出の注目度）: 0.7830152529643848
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Reservoir computing leverages rich, non-linear dynamics to process temporal data. Quantum variants promise enhanced expressivity from high-dimensional Hilbert spaces, yet their practical applicability is hindered by hardware noise and concentration effects that can erase input-output distinguishability at large system sizes. In this work, we present and experimentally demonstrate a Quantum Extreme Learning Machine (QELM) tailored to state-of-the-art superconducting platforms, employing up to 124 qubits and circuits with more than 5,000 two-qubit gates on IBM Quantum computers. We introduce a practical multi-objective hyperparameter tuning strategy that jointly monitors observable variability, capacity, and task performance to identify noise-robust operating points. In addition, we develop a local eigentask analysis that enables computationally efficient feature selection and effective information retrieval. We report evidence of a regime of optimality that is identifiable at small scales and transferable across tasks and larger systems, and we achieve performances competitive with leading classical baselines on representative benchmarks for time-series forecasting and satellite image classification. Together, our results establish a viable and robust framework for large-scale, pre-fault-tolerant quantum machine learning and provide a foundation for extending reservoir-based methods to more expressive architectures and real-world scenarios.
• Abstract（参考訳）: 貯留層計算は、時間データを処理するためにリッチで非線形なダイナミクスを活用する。 量子変種は、高次元ヒルベルト空間からの表現性の向上を約束するが、その実用性は、ハードウェアノイズと大規模なシステムサイズでの入出力識別性を消すことができる濃度効果によって妨げられる。 本稿では,IBMの量子コンピュータ上に5000以上の2量子ゲートを持つ最大124量子ビットと回路を用いて,最先端の超伝導プラットフォームに適した量子エクストリーム学習マシン(QELM)を提示し,実験を行った。 本稿では,観測可能な可変性,キャパシティ,タスク性能を共同で監視し,ノイズロスのある動作点を同定する,実用的な多目的ハイパーパラメータチューニング手法を提案する。 さらに,効率的な特徴選択と効果的な情報検索が可能な局所固有タスク解析を開発した。 我々は,小規模で識別可能で,タスクや大規模システム間での転送が可能な最適性体制の証拠を報告し,時系列予測や衛星画像分類のための代表的なベンチマークにおいて,古典的ベースラインと競合する性能を実現する。 その結果,大規模でフォールトトレラントな量子機械学習のための実用的で堅牢なフレームワークを確立し,より表現力のあるアーキテクチャや実世界のシナリオに貯水池ベースの手法を拡張するための基盤を提供する。

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)
• A Resource Efficient Quantum Kernel [0.6299766708197881]
  本研究では,高次元データを扱うために設計された量子特徴写像を導入し,量子ビット数とエンタングリング演算を著しく削減した。 本手法は計算効率を向上しながら重要なデータ特性を保っている。 我々の発見は、近い将来の量子コンピューティングプラットフォーム上で量子機械学習アルゴリズムを実践するための有望な道を開いた。
  論文  参考訳（メタデータ） (2025-07-04T16:12:57Z)
• A short review on qudit quantum machine learning [0.0]
  マルチレベル量子システム(qudits)は、バイナリ量子ビットパラダイムに代わる有望な代替手段を提供する。 本稿では,主に変分量子アルゴリズムや量子ニューラルネットワークなど,量子機械学習技術における量子ビットの役割について概説する。
  論文  参考訳（メタデータ） (2025-05-08T11:54:06Z)
• 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)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• 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)
• 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)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。