論文の概要: Temporal processing of quantum states with hybrid quantum-classical reservoirs

• arxiv url: http://arxiv.org/abs/2606.21327v1
• Date: Fri, 19 Jun 2026 11:14:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:21:34.790946
• Title: Temporal processing of quantum states with hybrid quantum-classical reservoirs
• Title（参考訳）: ハイブリッド量子古典型貯水池を用いた量子状態の時間的処理
• Authors: Mateu Coll-Comas, Gian Luca Giorgi, Roberta Zambrini,
• Abstract要約: 量子-古典ハイブリッドアーキテクチャは、量子ビット量子貯水池と古典的エコー状態ネットワーク(ESN)を組み合わせたものである。 ハイブリッドシステムは, 線形および非線形のタスクにおいて, スタンドアロンのコンポーネントよりも優れていることを示す。 これらの結果は、短期量子ビットハードウェア上での量子機械学習を強化するための実用的でスケーラブルな方法として、ハイブリッド量子古典型貯水池計算を確立している。
• 参考スコア（独自算出の注目度）: 0.5161531917413708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A distinctive feature of Quantum Reservoir Computing (QRC) is the ability to directly embed quantum input states into the reservoir dynamics. However, the resulting output is fundamentally linear for a single input state, preventing QRC from naturally computing nonlinear functionals such as purity or entropy. We overcome this limitation with a quantum-classical hybrid architecture combining a qubit quantum reservoir with a classical echo state network (ESN), allowing both nonlinear functional approximation and effective temporal processing. We systematically study performance under two information regimes: full-tomography and partial information (single-axis measurements), with the latter demonstrating that the hybrid system outperforms its standalone components in both linear and nonlinear tasks due to the enhanced information retrieval provided by the quantum reservoir. Building on these results, we apply an online monitoring protocol that explicitly accounts for measurement back-action and finite measurement ensembles, enabling a realistic assessment of performance under experimental conditions. These results establish hybrid quantum-classical reservoir computing (HRC) architectures as a practical and scalable route for enhanced quantum machine learning on near-term qubit hardware.
• Abstract（参考訳）: 量子貯水池コンピューティング(QRC)の特徴は、量子入力状態を直接貯水池力学に埋め込む能力である。 しかし、結果の出力は1つの入力状態に対して基本的に線形であり、QRCが純粋性やエントロピーのような非線形関数を自然に計算するのを防ぐ。 この制限を、量子ビット量子貯水池と古典エコー状態ネットワーク(ESN)を組み合わせた量子古典ハイブリッドアーキテクチャで克服し、非線形関数近似と実効時間処理の両方を可能にした。 本研究は,2つの情報体制下で,フルトモグラフィーと部分的情報(単軸測定)を体系的に研究し,後者は,量子貯水池が提供する情報検索の強化により,線形および非線形の両タスクにおいて,独立成分よりも優れた性能を示すものであることを示した。 これらの結果に基づいて,オンラインモニタリングプロトコルを適用し,実験条件下での演奏の現実的な評価を可能にする。 これらの結果は、短期量子ビットハードウェア上での量子機械学習を強化するための実用的でスケーラブルなルートとして、ハイブリッド量子古典型貯水池コンピューティング(HRC)アーキテクチャを確立する。

関連論文リスト

• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• Experimental quantum reservoir computing with a circuit quantum electrodynamics system [0.9786690381850356]
  量子貯水池コンピューティングは、他の量子ニューラルネットワークモデルと比較してトレーニングの容易さを提供する機械学習フレームワークである。 本稿では,回路量子電気力学アーキテクチャに基づく新しい量子貯水池計算プラットフォームを提案し,実験的に実装する。 我々の研究は、ハードウェア効率のよい量子ニューラルネットワークの実装を示し、他の量子機械学習モデルにさらにスケールアップして一般化することができる。
  論文  参考訳（メタデータ） (2025-06-27T08:31:36Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Practical Few-Atom Quantum Reservoir Computing [0.0]
  量子Reservoir Computing (QRC) は、複雑な計算問題に異常な効率とエネルギー使用量の最小化で対処するために量子システムを利用する。 本稿では、光学キャビティ内の2レベル原子をわずかに含む最小限の量子貯水池を利用するQRCフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-08T04:14:31Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Physical reservoir computing using finitely-sampled quantum systems [0.0]
  貯留層計算は物理貯水池の非線形力学を利用して複雑な時系列処理を行う。 ここでは、非線形量子貯水池を用いた連続測定による貯水池計算の枠組みについて述べる。
  論文  参考訳（メタデータ） (2021-10-26T16:46:14Z)

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。