論文の概要: Late Breaking Results: Hardware-Efficient Quantum Reservoir Computing via Quantized Readout

• arxiv url: http://arxiv.org/abs/2604.06075v1
• Date: Tue, 07 Apr 2026 16:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.943172
• Title: Late Breaking Results: Hardware-Efficient Quantum Reservoir Computing via Quantized Readout
• Title（参考訳）: 量子リードアウトによるハードウェア効率の良い量子貯留層計算
• Abstract要約: 本稿では,Chebyshev機能符号化,ブロックワークの絡み合い,単一および2キュービットパウリ測定を併用した,固定・未学習量子回路に基づく,ハードウェア効率のよい量子貯留層計算フレームワークを提案する。 本研究では,FP32ベースラインの1%以内の予測精度を8ビット,6ビットの量子化で維持し,それぞれリードアウトメモリを75%,81%削減した。
• 参考スコア（独自算出の注目度）: 2.2133667529581933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to rising electricity demand, accurate short-term load forecasting is increasingly important for grid stability and efficient energy management, particularly in resource-constrained edge settings. We present a hardware-efficient Quantum Reservoir Computing (QRC) framework based on a fixed, untrained quantum circuit with Chebyshev feature encoding, brickwork entanglement, and single- and two-qubit Pauli measurements, avoiding quantum backpropagation entirely. Using the Tetouan City Power Consumption dataset, we examine the effect of post-training fixed-point quantization on the classical readout layer, with the reservoir architecture selected through a genetic search over 18 candidate configurations. Under finite-shot evaluation, 8-bit and 6-bit quantization maintain forecasting accuracy within 1% of the FP32 baseline while reducing readout memory by 75% and 81%, respectively. These results suggest that quantized readout can improve the hardware efficiency and deployment practicality of QRC for memory-constrained energy forecasting.
• Abstract（参考訳）: 電力需要の増加により、グリッド安定性と効率的なエネルギー管理、特に資源制約されたエッジ設定において、正確な短期負荷予測がますます重要になっている。 本稿では,Chebyshev機能符号化,ブロックワークの絡み合い,単一および2キュービットのパウリ測定による量子バックプロパゲーションを完全に回避した,固定された未トレーニング量子回路に基づくハードウェア効率の量子貯留層計算(QRC)フレームワークを提案する。 The Tetouan City Power Consumption dataset, we examined the effect of post-training fixed-point Quantization on the classic readout layer, with the storage architecture selected through a genetic search over 18 candidates。 有限ショット評価では、8ビットと6ビットの量子化がFP32ベースラインの1%以内の予測精度を維持し、それぞれリードアウトメモリを75%と81%削減した。 これらの結果から,量子化読み出しは,メモリ制約エネルギー予測のためのQRCのハードウェア効率と展開実用性を向上させることが示唆された。

関連論文リスト

• Quantum Reservoir Computing for Short-Term Power Load Forecasting in Resource-Constrained Energy Systems [2.2133667529581933]
  本研究では,エネルギー負荷予測のためのハードウェア効率の高い量子貯留層計算フレームワークを提案する。 固定量子貯水池は、時間入力ウィンドウを高次元の特徴に変換し、古典的なElastic Netリードアウトのみを訓練する。 その結果、6ビットの読み出し精度は、読み出しメモリを81.2%削減しつつ、完全精度の予測性能を保っていることがわかった。
  論文  参考訳（メタデータ） (2026-06-11T02:05:25Z)
• Scalable Quantum Reservoir Computing over Distributed Quantum Architectures [0.21108097398435335]
  貯留層コンピューティングは、時間を通してバックプロパゲーションの一般的な問題を克服し、単純な読み出し層のみをトレーニングすることで、リカレントニューラルネットワークの代替手段を提供する。 単層または複数(分散)の貯水池と単層または複数(分散)のリッジ・レグレス・リードアウト・レイヤを組み合わせた4つの異なるアーキテクチャを探索し、ベンチマークする。 その結果,平均絶対誤差 (MAE) と平均二乗誤差 (RMSE) を78.8%, 72.3%に削減することにより, 量子化による予測精度の向上が図られた。
  論文  参考訳（メタデータ） (2026-05-06T14:50:19Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• 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)
• Pushing the Limits of Low-Bit Optimizers: A Focus on EMA Dynamics [64.62231094774211]
  ステートフル(例えばアダム)は、最適収束を達成するために、モデルサイズを2倍も補助情報を維持する。 SOLOにより、アダムスタイルは3ビットまたは2ビットの精度で量子化された状態を維持することができる。 したがって、SOLOはAdamスタイルにシームレスに適用でき、精度の低下を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2025-05-01T06:47:45Z)
• Task-Circuit Quantization: Leveraging Knowledge Localization and Interpretability for Compression [55.323397702682506]
  後トレーニング量子化(PTQ)は、コストのかかる再トレーニングなしに全精度重みを低ビット重みにマッピングすることで、モデルのメモリフットプリントを削減する。 我々は,自動回路発見に並列性を持つ新しい混合精度PTQ手法であるTask-Circuit Quantization (TaCQ)を開発した。
  論文  参考訳（メタデータ） (2025-04-10T02:19:03Z)
• Automated Auxiliary Qubit Allocation in High-Level Quantum Programming [0.31457219084519]
  マルチキュービットゲート分解のための補助量子ビットの割り当てを自動化することで、量子回路のコンパイルを最適化する手法を提案する。 このアプローチは、高レベルの量子プログラミングプラットフォームKetで実装され、評価される。
  論文  参考訳（メタデータ） (2024-12-29T18:19:06Z)
• Shortcut to Chemically Accurate Quantum Computing via Density-based Basis-set Correction [0.4909687476363595]
  密度ベースベースセット補正(DBBSC)による密度汎関数理論に量子コンピューティングアンサッツを組み込む。 完全基底セットの極限に近づき、化学的に正確な量子計算へのショートカットを提供する。 結果として生じるアプローチは、ベースセット収束を自己整合的に加速し、電子密度、基底状態エネルギー、および1次特性を改善する。
  論文  参考訳（メタデータ） (2024-05-19T14:31:01Z)
• 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)
• Quantized Neural Networks for Low-Precision Accumulation with Guaranteed Overflow Avoidance [68.8204255655161]
  本稿では,推定時のアキュムレータの精度を下げる際に,数値オーバーフローを回避する量子化学習アルゴリズムを提案する。 本手法は,浮動小数点点ベースラインに対するモデル精度を維持しつつ,アキュムレータの精度を低減できることを示す。
  論文  参考訳（メタデータ） (2023-01-31T02:46:57Z)
• 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。