論文の概要: QLIF-CAST: Quantum Leaky-Integrate-and-Fire for Time-Series Weather Forecasting
- arxiv url: http://arxiv.org/abs/2605.18333v1
- Date: Mon, 18 May 2026 12:49:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 23:51:08.407414
- Title: QLIF-CAST: Quantum Leaky-Integrate-and-Fire for Time-Series Weather Forecasting
- Title（参考訳）: QLIF-CAST: 時系列気象予報のための量子リーク・インテグレート・アンド・ファイア
- Authors: Alberto Marchisio, Aayan Ebrahim, Nouhaila Innan, Muhammad Kashif, Muhammad Shafique,
- Abstract要約: この研究は、時系列回帰タスクにQuantum Leaky Integrate-and-Fireのスパイクニューラルネットワークを適用する。
QLIF-CASTは励起ニューロン状態を、Rx回転ゲートとT1緩和崩壊によって駆動される単一量子ビット量子重ね合わせとして符号化する。
IBM Marrakeshのハードウェア検証は信頼性の高い回路実行を確認し、シミュレーションからの平均偏差はわずか1.2%である。
- 参考スコア（独自算出の注目度）: 2.1702673021505245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and efficient time-series forecasting remains a challenging problem for both classical and quantum neural architectures, particularly in multivariate environmental settings. This work adapts the Quantum Leaky Integrate-and-Fire (QLIF) spiking neural network for time-series regression tasks, specifically short-term multivariate weather forecasting. We extend QLIF beyond classification and demonstrate its applicability to continuous-valued prediction problems. The QLIF-CAST model encodes neuron excitation states as single-qubit quantum superpositions, driven by Rx rotation gates and T1 relaxation decay, and is embedded within a hybrid quantum-classical recurrent architecture. We conduct two distinct evaluations. First, a controlled comparison against a parameter-matched classical LIF baseline on a multivariate weather dataset shows that QLIF-CAST achieves 15.4% lower MSE and 4.4% lower MAE, demonstrating that quantum neuronal dynamics reduce prediction error over classical equivalents. Second, a cross-domain comparative analysis with state-of-the-art quantum LSTM (QLSTM) and quantum neural network (QNN) models on air quality and wind speed benchmarks reveals that QLIF-CAST converges in up to 94% less training time, occupying a distinct position in the speed-error trade-off space. Hardware verification on IBM Marrakesh (156-qubit QPU) confirms reliable circuit execution with only 1.2% average deviation from simulation.
- Abstract（参考訳）: 高精度で効率的な時系列予測は、古典的および量子的ニューラルネットワークアーキテクチャ、特に多変量環境環境では難しい問題である。
この研究は、時系列回帰タスク、特に短期多変量気象予報のために、QLIF(Quantum Leaky Integrate-and-Fire)スパイクニューラルネットワークを適用している。
分類を超えてQLIFを拡張し、連続評価予測問題に適用可能性を示す。
QLIF-CASTモデルは、Rx回転ゲートとT1緩和崩壊によって駆動される単一量子ビット量子重ね合わせとしてニューロン励起状態を符号化し、ハイブリッド量子古典的再帰アーキテクチャに埋め込まれる。
私たちは2つの異なる評価を行います。
まず、多変量気象データセット上のパラメータマッチングされた古典LIFベースラインに対する制御された比較により、QLIF-CASTは15.4%低いMSEと4.4%低いMAEを達成し、量子ニューロン力学が古典的等価量よりも予測誤差を減少させることを示した。
第2に、空気質と風速ベンチマークにおける最先端量子LSTM(QLSTM)モデルと量子ニューラルネットワーク(QNN)モデルとのクロスドメイン比較分析により、QLIF-CASTがトレーニング時間を最大94%短縮し、スピードエラートレードオフ空間における明確な位置を占めることが明らかになった。
IBM Marrakesh (156-qubit QPU) のハードウェア検証では、信頼性の高い回路実行を確認し、シミュレーションからの平均偏差はわずか1.2%である。
関連論文リスト
- Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。
私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。
時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
論文 参考訳（メタデータ） (2026-05-07T13:04:09Z) - 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) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Quantum Temporal Fusion Transformer [3.530759252061682]
本稿では,量子拡張型ハイブリッド量子古典アーキテクチャである量子時間核融合変換器(QTFT)を紹介する。
QTFTは予測データセットのトレーニングに成功し、将来の値を正確に予測することができる。
結果は、複雑な機械学習タスクにおいて、量子コンピューティングを使用してディープラーニングアーキテクチャを向上する可能性を示している。
論文 参考訳（メタデータ） (2025-08-06T03:21:20Z) - Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series [6.576759206183036]
本稿では,異常検出のためのQGANアーキテクチャを提案する。
データ再アップロードとSuDaIを統合することで、アプローチは古典的なデータを量子状態に効率的にマッピングする。
QGANは、異常検出において高いリコールとF1スコアとともに高い精度を達成し、古典モデルと比較して低いMSEを達成する。
論文 参考訳（メタデータ） (2025-05-16T18:47:42Z) - Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。
その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
論文 参考訳（メタデータ） (2025-04-30T19:09:12Z) - Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。
実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
論文 参考訳（メタデータ） (2025-04-29T14:41:41Z) - Bayesian Quantum Amplitude Estimation [46.03321798937855]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z)
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。