論文の概要: Fixed-Reservoir vs Variational Quantum Architectures for Chaotic Dynamics: Benchmarking QRC and QPINN on the Lorenz System

• arxiv url: http://arxiv.org/abs/2604.23743v1
• Date: Sun, 26 Apr 2026 14:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.530462
• Title: Fixed-Reservoir vs Variational Quantum Architectures for Chaotic Dynamics: Benchmarking QRC and QPINN on the Lorenz System
• Title（参考訳）: カオスダイナミクスのための固定貯水池対変分量子アーキテクチャ:Lorenzシステム上でのQRCとQPINNのベンチマーク
• Authors: Tushar Pandey,
• Abstract要約: ロレンツ系におけるカオス時系列予測のための2つの量子的アプローチを比較する。 本研究では,QRCパイプライン内の時間的ウィンドウ化手法を定式化し,アトラクタ再構成を改善する。 以上の結果から, 固定貯留層構造がQRCの優位性の主要な要因であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.14323566945483496
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deploying quantum machine learning on NISQ devices requires architectures where training overhead does not negate computational advantages. We systematically compare two quantum approaches for chaotic time-series prediction on the Lorenz system: a variational Quantum Physics-Informed Neural Network (QPINN) and a Quantum Reservoir Computing (QRC) framework utilizing a fixed transverse-field Ising Hamiltonian. Under matched resources ($4$--$5$ qubits, $2$--$3$ layers), QRC achieves an $81\%$ lower mean-squared error (test MSE $3.2 \pm 0.6$ vs. $47.9 \pm 36.6$ for QPINN) while training $\sim 52,000\times$ faster ($0.2$\,s vs. $\sim 2.4$\,h per seed). Drawing on the classical delay-embedding principle, we formalize a temporal windowing technique within the QRC pipeline that improves attractor reconstruction by providing bounded, structured input history. Analysis reveals that QPINN instability stems from capacity limitations and competing loss terms rather than barren plateaus; gradient norms remained large ($10^3$--$10^4$), ruling out exponential suppression at this scale. These failure modes are absent by construction in the non-variational QRC approach. We validate robustness across three canonical systems (Lorenz, Rössler, and Lorenz-96), where QRC consistently achieves low test MSE ($3.1 \pm 0.6$, $1.8 \pm 0.1$, and $12.4 \pm 0.6$, respectively) with sub-second training. Our findings suggest the fixed-reservoir architecture is a primary driver of QRC's advantage at these scales, warranting further investigation at larger qubit counts and on hardware where quantum-specific advantages are expected to emerge.
• Abstract（参考訳）: NISQデバイスに量子機械学習をデプロイするには、トレーニングオーバーヘッドが計算上の優位性を否定しないアーキテクチャが必要である。 我々は,ロレンツ系におけるカオス時系列予測のための2つの量子的アプローチを体系的に比較した。量子物理学インフォームドニューラルネットワーク (QPINN) と,固定横フィールドイジング・ハミルトンを用いた量子貯留層計算 (QRC) フレームワークである。 マッチしたリソース (4$--$5$ qubits, $2$-$3$ layer) の下で、QRC は平均二乗誤差 (テスト MSE $3.2 \pm 0.6$ vs. 47.9 \pm 36.6$) を 81\% の低い平均二乗誤差 (テスト MSE $3.2 \pm 0.6$ vs. 47.9 \pm 36.6$ for QPINN) を達成する一方で、トレーニング $\sim 52,000\times$ faster (0.2$\,s vs. $\sim 2.4$\,h per seed) を達成する。 古典的な遅延埋め込みの原理に基づいて、有界な構造化された入力履歴を提供することで、アトラクタ再構成を改善するため、QRCパイプライン内の時間ウィンドウ化手法を定式化する。 QPINNの不安定性は、キャパシティの制限と競合する損失項に起因していることが明らかとなり、勾配ノルムは、このスケールでの指数的な抑制を除外する10^3$--$10^4$であった。 これらの障害モードは、非変分 QRC アプローチでの構成によって欠落する。 3つの標準系(Lorenz, Rössler, Lorenz-96)において、QRCは低テストMSE(3.1 \pm 0.6$, $1.8 \pm 0.1$, $12.4 \pm 0.6$)をサブ秒トレーニングで一貫して達成する。 以上の結果から, 固定貯留層アーキテクチャは, これらのスケールでのQRCの優位性の主要な要因であり, より大規模な量子ビット数および量子固有の利点が期待できるハードウェア上でのさらなる調査を保証している。

関連論文リスト

• Noise-Adaptive Quantum Circuit Mapping for Multi-Chip NISQ Systems via Deep Reinforcement Learning [0.0]
  本稿では,双方向長短期記憶に基づく動的雑音適応ネットワークを統合した深層強化学習フレームワークDeepQMapを提案する。 本手法は,量子系の動作の時間的表現を学習することで,ハードウェアのダイナミクスに継続的に適応する。 DeepQMapは平均回路忠実度が0.920 pm 0.023$であり、最先端のQUBO法よりも統計的に49.3%向上している。
  論文  参考訳（メタデータ） (2025-11-22T14:27:55Z)
• Enhancing Kerr-Cat Qubit Coherence with Controlled Dissipation [64.05054054401175]
  Kerr-cat qubit (KCQ) はボゾン量子プロセッサである。 KCQはオンチップアーキテクチャや高忠実度操作と実験的に互換性がある。 KCQ におけるビットフリップ時間は、キュービット多様体からの漏れによって制限されるという直接的な証拠を示す。
  論文  参考訳（メタデータ） (2025-11-02T17:58:36Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Practical quantum advantage on partially fault-tolerant quantum computer [0.6449786007855248]
  我々は、早期FTQCデバイスにおける実用的な量子アドバンテージを実現するための代替手法を提案する。 我々のフレームワークは、空間的オーバーヘッドを最小限に抑えるために、部分的にフォールトトレラントな論理演算に基づいている。 フレームワークの潜在能力を生かした,有望なアプリケーションをいくつか紹介する。
  論文  参考訳（メタデータ） (2024-08-27T07:58:09Z)
• Evaluating Ground State Energies of Chemical Systems with Low-Depth Quantum Circuits and High Accuracy [6.81054341190257]
  我々は,Qubit Coupled Cluster (QCC) に基づく拡張型変分量子固有解器 (VQE) アンサッツを開発した。 我々は、IBM KolkataとQuantinuum H1-1の2つの異なる量子ハードウェア上で、拡張QCCアンサッツを評価する。
  論文  参考訳（メタデータ） (2024-02-21T17:45:03Z)
• Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
  我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。 我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
  論文  参考訳（メタデータ） (2024-01-17T18:59:38Z)
• A Race Track Trapped-Ion Quantum Processor [0.0]
  我々は,周期的境界条件を持つ線形トラップに基づく新しい量子電荷結合デバイスを記述し,ベンチマークする。 当初は32量子ビットで運用されていたが、将来のアップグレードでさらに拡張される予定だ。
  論文  参考訳（メタデータ） (2023-05-05T20:07:37Z)
• Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
  本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。 3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
  論文  参考訳（メタデータ） (2021-08-03T17:49:09Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。