論文の概要: Leveraging Metrologically Useful States in Quantum Reservoir Networks

• arxiv url: http://arxiv.org/abs/2607.06500v1
• Date: Tue, 07 Jul 2026 17:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.594812
• Title: Leveraging Metrologically Useful States in Quantum Reservoir Networks
• Title（参考訳）: 量子貯留層ネットワークにおけるMetroologically Useful Statesの活用
• Abstract要約: 本稿では, 量子貯水池ネットワーク(QRN)を用いて, 高次元カオス 1-D 内蔵本-シバシンキ (KS) 系の潜時空間表現を予測する手法を提案する。 提案手法は, メタロジカルな状態準備を伴わずに, 代替QRN実装よりも優れていることを示す。 また、QRCパイプライン内でオートエンコーダを使用する場合に起こりうる、軽い潜在的な問題ももたらします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interest in using quantum computers for the purpose of predicting chaotic partial differential equations (PDEs) has been growing with the advent of newer low-error quantum computers and robust simulation tools. In this paper, we present a method that utilizes a quantum reservoir network (QRN) to predict latent space representations of the high-dimensional chaotic 1-D Kuramoto-Sivashinksy (KS) system. This hybrid approach takes advantage of advancements in classical machine learning (ML) through the use of a classical autoencoder as well as techniques from quantum metrology through the use of a unitary that creates metrologically-useful states. Through rigorous simulation and analysis, we show that the proposed method outperforms alternative QRN implementations without this metrologically-useful state preparation, and also show better performance than classical echo-state networks when weight regularization is not used. Finally, we bring to light potential issues that can arise when using autoencoders within QRC pipelines.
• Abstract（参考訳）: カオス偏微分方程式(PDE)の予測を目的とした量子コンピュータの利用への関心は、より新しい低エラー量子コンピュータとロバストなシミュレーションツールの出現によって高まっている。 本稿では, 量子貯水池ネットワーク(QRN)を用いて, 高次元カオス 1-D 内蔵本-シヴァシクシー (KS) 系の潜時空間表現を予測する手法を提案する。 このハイブリッドアプローチは、古典的なオートエンコーダの使用による古典的機械学習(ML)の進歩と、量子メダロジからのテクニックを、メダロジ的に有用な状態を生成するユニタリを使用することによって活用する。 厳密なシミュレーションと解析により,提案手法は,このメタロジカルな状態準備を伴わずに,代替QRN実装よりも優れた性能を示し,また,重み正規化を使わずに古典的なエコー状態ネットワークよりも優れた性能を示す。 最後に、QRCパイプライン内でオートエンコーダを使用する場合に起こりうる、軽い潜在的な問題をもたらします。

関連論文リスト

• Learnable yet not simulable: a quantum resource theory of learning models [57.695822250391906]
  量子資源が量子回路の古典的な学習可能性を支配するかは、いまだ不明である。 チューナブル量子回路系の期待値関数について検討する。 これらの結果は,古典シミュレーションと学習の境界を記述するための定量的な資源理論の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-08-03T14:48:03Z)
• Physics Informed Generative Machine Learning for Accelerated Quantum-centric Supercomputing [0.46906883107634084]
  PIGen-SQDは、生成機械学習(ML)の機能を利用する、効率的に設計された量子スーパーコンピュータ(QCSC)ワークフローである。 PIGen-SQDはQCSCアルゴリズムの堅牢性とスケーラビリティを向上し、実用規模の量子ハードウェア上での化学的に信頼性の高い量子シミュレーションへの有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-12-07T14:27:12Z)
• 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)
• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• Polynomially efficient quantum enabled variational Monte Carlo for training neural-network quantum states for physico-chemical applications [0.0]
  ニューラルネットワーク量子状態(NQS)は、物理系に対する従来の変分アンゼの代替を提供する。 エネルギーベースのフレームワークは、統計物理学を利用して量子状態をエネルギーランドスケープにマッピングし、メモリディスクリプタとして機能する。 このようなモデルは、量子デバイスによって強化されたモンテカルロ技術を用いて効率的に訓練できることを示す。
  論文  参考訳（メタデータ） (2024-12-16T23:11:41Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Stochastic Security as a Performance Metric for Quantum-enhanced Generative AI [0.0]
  深部エネルギーベースモデル(EBM)は、トレーニングと推論の両方で連続ドメインギブをサンプリングする必要がある。 量子ギブスサンプリングアルゴリズムを実行できるフォールトトレラントな量子コンピュータの代わりに、モンテカルロ法による拡散過程のシミュレーションを古典的な代替として利用する。 その結果,ギブスサンプリングの計算予算の増大は,モデルのキャリブレーションと対角ロバスト性を両立させることがわかった。
  論文  参考訳（メタデータ） (2023-05-13T17:33:01Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Matrix Product State Pre-Training for Quantum Machine Learning [0.1259953341639576]
  並列量子回路(PQC)は、量子化学と量子最適化問題の基盤として使われてきた。 本稿では,行列製品状態機械学習に基づく回路事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T13:43:30Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)

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。