論文の概要: Recurrent Quantum Feature Maps for Reservoir Computing

• arxiv url: http://arxiv.org/abs/2604.03469v1
• Date: Fri, 03 Apr 2026 21:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.595349
• Title: Recurrent Quantum Feature Maps for Reservoir Computing
• Title（参考訳）: Recurrent Quantum Feature Maps for Reservoir Computing
• Authors: Utkarsh Singh, Aaron Z. Goldberg, Christoph Simon, Khabat Heshami,
• Abstract要約: 我々は、固定量子回路を再利用して現在の入力と過去の出力から導出される古典的なフィードバック信号の両方を符号化する、リカレント量子特徴写像に基づく貯水池を導入する。 我々は,最近導入したCP特徴量マップを用いて,Mackey-Glass の時系列予測タスク上でモデルを評価し,従来のベースラインよりも平均二乗誤差が低いことを示す。
• 参考スコア（独自算出の注目度）: 0.6299766708197881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reservoir computing promises a fast method for handling large amounts of temporal data. This hinges on constructing a good reservoir--a dynamical system capable of transforming inputs into a high-dimensional representation while remembering properties of earlier data. In this work, we introduce a reservoir based on recurrent quantum feature maps where a fixed quantum circuit is reused to encode both current inputs and a classical feedback signal derived from previous outputs. We evaluate the model on the Mackey-Glass time-series prediction task using our recently introduced CP feature map, and find that it achieves lower mean squared error than standard classical baselines, including echo state networks and multilayer perceptrons, while maintaining compact circuit depth and qubit requirements. We further analyze memory capacity and show that the model effectively retains temporal information, consistent with its forecasting accuracy. Finally, we study the impact of realistic noise and find that performance is robust to several noise channels but remains sensitive to two-qubit gate errors, identifying a key limitation for near-term implementations.
• Abstract（参考訳）: 貯留層計算は、大量の時間データを扱うための高速な手法を約束する。 このことは、優れた貯水池を構築すること、つまり、以前のデータの特性を記憶しながら入力を高次元の表現に変換することのできる力学システムを構築することに集中している。 本研究では、固定量子回路を再利用して現在の入力と過去の出力から導出される古典的なフィードバック信号の両方を符号化する、繰り返し量子特徴写像に基づく貯水池を提案する。 最近導入したCP機能マップを用いて,Mackey-Glass の時系列予測タスクにおいて,エコー状態ネットワークやマルチ層パーセプトロンを含む従来のベースラインよりも平均2乗誤差が低く,回路深度やキュービットの要求が小さいことを確認した。 さらに、メモリ容量を解析し、予測精度と整合して、時間的情報を効果的に保持することを示す。 最後に、現実的な雑音の影響について検討し、複数のノイズチャネルに対して性能は堅牢であるが、2量子ゲート誤差に敏感であり、短期的な実装の鍵となる限界を特定する。

関連論文リスト

• Quantum reservoir computing for predicting and characterizing chaotic maps [0.3966519779235704]
  量子貯水池コンピューティングは、時間データを効率的に処理するために量子システムを利用するための有望なパラダイムとして登場した。 離散非線形写像におけるカオス力学の予測と特徴付けのためのこのアプローチの能力を実証する。 その結果、複雑な力学系をモデリングするためのスケーラブルで耐雑音性の高いツールとして量子貯水池コンピューティングが注目されている。
  論文  参考訳（メタデータ） (2025-09-15T15:55:59Z)
• 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)
• Role of scrambling and noise in temporal information processing with quantum systems [1.3140209441982318]
  時相情報処理のための効果的な基板として、スクランブル量子系が注目されている。 量子システムを用いて、幅広い物理計算モデルをキャプチャする量子貯水池処理フレームワークについて検討する。
  論文  参考訳（メタデータ） (2025-05-15T08:35:10Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers [6.1549556540537855]
  量子力学埋め込み(QDE)を用いた時系列予測のためのデータ駆動手法を提案する。 時系列長の独立性に基づき、この手法は深さ効率の高い量子回路を実現する。 数値シミュレーションは、波動信号だけでなく、NARMAのようなより複雑な信号も予測できることを示す。
  論文  参考訳（メタデータ） (2023-05-25T12:12:49Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)

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。