論文の概要: Reorganizing Quantum Measurement Records Improves Time-Series Prediction

• arxiv url: http://arxiv.org/abs/2604.28160v1
• Date: Thu, 30 Apr 2026 17:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.235122
• Title: Reorganizing Quantum Measurement Records Improves Time-Series Prediction
• Title（参考訳）: 再編成量子計測記録による時系列予測の改善
• Authors: Markus Baumann, Maximilian Zorn, Thomas Gabor, Claudia Linnhoff-Popien, Jonas Stein,
• Abstract要約: 量子貯水池計算では、レコードは古典的な読み出しのための特徴ベクトルに変換される。 これにより有限ショットノイズが低減されるが、多くの回路実行から1つのトレーニング例のみを読み出すことができる。 分割アンサンブルトレーニングを導入し,同じショットをグループに分割し,各グループの平均値を同じターゲットに対して分割された部分的特徴ベクトルとして使用する。
• 参考スコア（独自算出の注目度）: 3.648726725220653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Near-term quantum computers are accessed through repeated circuit executions, which produce finite measurement records rather than exact deterministic outputs. In quantum reservoir computing, these records are converted to feature vectors for a classical readout. The standard expectation-value approach averages all shots from one labeled time step into a single feature vector. This reduces finite-shot noise, but it also gives the readout only one training example from many circuit executions. We introduce split-ensemble training: the same shots are split into groups, and each group average is used as a separate, partially denoised feature vector for the same target. The quantum circuit, task, and measurement budget remain unchanged. Across simulated forecasting benchmarks and real hardware experiments, this simple reorganization improves prediction when full averaging leaves the readout with too few training examples, with the strongest gains observed on hardware. Our results establish shot-record organization as a simple, broadly applicable algorithmic lever for improving near-term quantum learning without additional quantum hardware cost.
• Abstract（参考訳）: 短期量子コンピュータは繰り返し回路実行を通じてアクセスされ、正確な決定論的出力ではなく有限の測定レコードを生成する。 量子貯水池計算では、これらのレコードは古典的な読み出しのための特徴ベクトルに変換される。 標準的な期待値アプローチは、1つのラベル付き時間ステップから1つの特徴ベクトルへのすべてのショットを平均化する。 これにより有限ショットノイズが低減されるが、多くの回路実行から1つのトレーニング例のみを読み出すことができる。 分割アンサンブルトレーニングを導入し,同じショットをグループに分割し,各グループの平均値を同じターゲットに対して分割された部分的特徴ベクトルとして使用する。 量子回路、タスク、測定予算は変わっていない。 シミュレーションされた予測ベンチマークと実際のハードウェア実験全体にわたって、この単純な再編成は、ハードウェア上で観測される最強のゲインを持つトレーニング例が多すぎることで、完全な平均化がリードアウトを離れる際の予測を改善する。 提案手法は, 量子ハードウェアコストを伴わずに, 短期量子学習を改善するための, 単純かつ広く適用可能なアルゴリズムレバーとして, ショットレコーダの組織を確立した。

関連論文リスト

• Learning Grouped Lattice Vector Quantizers for Low-Bit LLM Compression [57.54335545892155]
  本稿では,各重みの群に独自の格子コードブックを割り当てるGLVQ(Grouped Lattice Vector Quantization)フレームワークを紹介する。 提案手法は,既存のトレーニング後の量子化ベースラインと比較して,モデルサイズと精度のトレードオフが良好である。
  論文  参考訳（メタデータ） (2025-10-23T20:19:48Z)
• Average-computation benchmarking for local expectation values in digital quantum devices [0.10923877073891443]
  対象の計算をその変種と組み合わせ、平均化すると古典的に解ける相関関数を実現できるスキームを導入する。 この変種は、ゲートを古典的にシミュレート可能なセットに単純化することなく、回路構造と深さを正確に保存する。 平均計算期待値の推定には,限られた数の異なる回路の実現しか必要としないことを示す。
  論文  参考訳（メタデータ） (2025-07-24T18:00:27Z)
• 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)
• Preparing low-variance states using a distributed quantum algorithm [2.1587559138197667]
  低分散状態を生成するために、反復位相推定にインスパイアされた分散量子アルゴリズムを提案する。 提案手法では,量子デバイス毎の1つの補助量子ビットを用いて,そのダイナミクスを制御し,共同量子計測のためのポストセレクション戦略を用いる。 これにより,分散アルゴリズムが単一デバイス実装と比較してエネルギー分散を高速化することを示すことができる。
  論文  参考訳（メタデータ） (2025-01-22T18:55:51Z)
• Taming Quantum Time Complexity [45.867051459785976]
  時間複雑性の設定において、正確さと遠心性の両方を達成する方法を示します。 我々は、トランスデューサと呼ばれるものに基づく量子アルゴリズムの設計に新しいアプローチを採用する。
  論文  参考訳（メタデータ） (2023-11-27T14:45:19Z)
• Certainty In, Certainty Out: REVQCs for Quantum Machine Learning [15.908051575681458]
  高精度かつ高精度なサンプル推測が可能な統計理論について論じる。 本稿では,このトレーニング手法の有効性を,いくつかの有効な変分量子回路を用いて評価する。
  論文  参考訳（メタデータ） (2023-10-16T17:53:30Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• Alleviate Exposure Bias in Sequence Prediction \\ with Recurrent Neural Networks [47.52214243454995]
  繰り返しニューラルネットワーク(RNN)を訓練する一般的な戦略は、各ステップで入力として地上の真実を取ることです。 本稿では,RNNの長期的依存関係をよりよく把握するための,完全微分可能なトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-22T06:15:22Z)
• Quantum Ensemble for Classification [2.064612766965483]
  機械学習のパフォーマンスを改善する強力な方法は、複数のモデルの予測を組み合わせたアンサンブルを構築することである。 量子重ね合わせ,絡み合い,干渉を利用して分類モデルのアンサンブルを構築する新しい量子アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-02T11:26:54Z)

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。