論文の概要: A Quantum Reservoir Architecture for Chaotic Forecasting and a Test of Whether Its High Dimension Helps
- arxiv url: http://arxiv.org/abs/2607.07978v1
- Date: Wed, 08 Jul 2026 23:07:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.360602
- Title: A Quantum Reservoir Architecture for Chaotic Forecasting and a Test of Whether Its High Dimension Helps
- Title（参考訳）: カオス予測のための量子貯留層構造とその高次元化が寄与するかどうかの検証
- Abstract要約: 量子貯水池コンピューティングは、固定量子回路を特徴として使用し、その上にある単純な線形読み出しのみを訓練する。
これにより、多くの量子機械学習モデルに影響を与える最適化問題のトレーニングと解放が安価になる。
本稿では, カオスシステムの予測に応用した貯水池について, 完全再現可能なレシピを提案する。
- 参考スコア（独自算出の注目度）: 0.14323566945483496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum reservoir computing uses a fixed quantum circuit as a feature generator and trains only a simple linear readout on top of it. This makes it cheap to train and free of the optimisation problems that affect many quantum machine-learning models. A natural worry is that the very large feature space the circuit produces might inflate apparent performance without adding anything real. This paper provides two things. First, it gives a complete, reproducible recipe for one such reservoir applied to forecasting chaotic systems, including how data is fed in, how the circuit is built, and how the readout is trained. Second, it gives a way to tell whether the reservoir's high dimension is actually doing useful work. We grow the size of the prediction problem and the size of the quantum reservoir together, so that extra capacity cannot be the explanation for any improvement, and we track a single stability number that measures how well behaved the readout fit is. On two chaotic test systems, a spatiotemporal chain and a shallow-water fluid model, the quantum reservoir keeps a flat, stable error as both sizes grow, while a matched classical reservoir does not. We report where the classical baseline is in fact stronger, so the comparison is honest. The result is a clean specification plus a diagnostic that other groups can apply to any reservoir whose features have a known scale.
- Abstract（参考訳）: 量子貯水池コンピューティングは、固定量子回路を特徴発生器として使用し、その上に単純な線形読み出しのみを訓練する。
これにより、多くの量子機械学習モデルに影響を与える最適化問題のトレーニングと解放が安価になる。
当然の心配は、回路が生成する非常に大きな特徴空間は、実際のものを追加することなく、明らかなパフォーマンスを向上させる可能性があるということだ。
この論文には2つの点がある。
まず、データの供給方法、回路の作り方、読み出しの訓練方法など、カオスシステムの予測に応用された、完全な再現可能なレシピを提供する。
第二に、貯水池の高次元が実際に有用な作業を行っているかどうかを判断する方法を提供する。
我々は、予測問題の大きさと量子貯水池の大きさを共に増加させ、余分な容量が改善の説明にならないようにし、読み出しがいかにうまく振る舞ったかを測定する単一の安定性数を追跡する。
2つのカオス試験系、時空間連鎖と浅水流体モデルでは、量子貯水池は2つの大きさが大きくなるにつれて平坦で安定した誤差を保持するが、古典的な貯水池は一致しない。
古典の基準線が実際より強いことを報告しますので、比較は正直です。
結果はクリーンな仕様と、他のグループが既知のスケールを持つどんな貯水池にも適用できる診断である。
関連論文リスト
- Verifiable quantum advantage in extremely low depth [52.51019642214249]
浅量子回路では解けない問題を格子ベースの仮定で解くのが困難である。
浅量子回路は、解を効率よく検証できる古典的な難題を解くのに十分な構造を持っていることを証明している。
論文 参考訳（メタデータ） (2026-09-01T15:54:34Z) - Superextensive learning in quantum reservoirs at the onset of information scrambling [0.0]
情報処理が秩序とカオスの境界付近で最適化されるという考えは、神経科学、複雑なシステム、機械学習にまたがって繰り返される原則として現れてきた。
学習システムに潜む情報が,動作点から量子貯水池の性能向上のためのスケーリング法則へと変化することを示す。
論文 参考訳（メタデータ） (2026-08-26T08:21:50Z) - Diagnosing quantum reservoirs at scale based on expressivity and coverage [42.138439537056954]
量子貯水池は、量子機械学習へのハードウェアフレンドリーなルートを提供する。
貯水池は最適化されていないため、性能は貯水池の選択に依存する。
2つの相補的な量に基づいて構築されたスケーラブルでハードウェアに依存しないフレームワークを導入する。
論文 参考訳（メタデータ） (2026-07-10T14:16:13Z) - Quantum Reservoir Computing for Corrosion Prediction in Aerospace: A Hybrid Approach for Enhanced Material Degradation Forecasting [0.1741346113266207]
材料劣化の予測は多くの業界で 解決すべき重要な問題です
量子機械学習は有望な研究分野であるが、不毛の台地や測定オーバーヘッドのようなよく知られた欠陥に悩まされている。
ここでは、より小さな量子貯水池を同時に進化させることにより、量子貯水池コンピューティングの領域で同じ考え方を用いる。
論文 参考訳（メタデータ） (2025-05-28T20:16:20Z) - Role of scrambling and noise in temporal information processing with quantum systems [1.3140209441982318]
時相情報処理のための効果的な基板として、スクランブル量子系が注目されている。
量子システムを用いて、幅広い物理計算モデルをキャプチャする量子貯水池処理フレームワークについて検討する。
論文 参考訳（メタデータ） (2025-05-15T08:35:10Z) - QuantumReservoirPy: A Software Package for Time Series Prediction [44.99833362998488]
我々は、量子貯水池が共通の構造に合うようにするためのソフトウェアパッケージを開発した。
本パッケージは, 量子貯水池構造の比較法の開発を簡略化し, 論理的手法を提示する。
論文 参考訳（メタデータ） (2024-01-19T13:31:29Z) - Scalable noisy quantum circuits for biased-noise qubits [37.69303106863453]
安定猫量子ビットの既存システムに動機づけられたビットフリップ誤差のみに影響されるバイアスノイズ量子ビットを考察する。
現実的なノイズモデルでは、位相フリップは無視できないが、Pauli-Twirling近似では、ベンチマークが最大106ドルのゲートを含む回路の正しさを確認できる。
論文 参考訳（メタデータ） (2023-05-03T11:27:50Z) - Reservoir Computing Using Complex Systems [0.0]
Reservoir Computingは、物理システムを利用した計算のための機械学習フレームワークである。
計算に単一ノード貯水池を用いる方法を示し、物理貯水池の計算能力を改善するために利用可能な選択肢を探索する。
論文 参考訳（メタデータ） (2022-12-17T00:25:56Z) - Accumulative reservoir construction: Bridging continuously relaxed and
periodically refreshed extended reservoirs [0.0]
本稿では, 拡張貯水池の部分的な更新を連続的に行う貯水池構築について紹介する。
これは、継続的(Lindblad)緩和と、最近導入された定期的なリフレッシュアプローチの両方のための統一されたフレームワークを提供する。
テンソルネットワークを含む,動作範囲がエラーや計算コストにどのように影響するかを示す。
論文 参考訳（メタデータ） (2022-10-10T17:59:58Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳（メタデータ） (2022-02-17T19:00:09Z) - A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。
私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。
実際の量子コンピュータを用いて得られた結果について述べる。
論文 参考訳（メタデータ） (2022-01-25T05:59:24Z) - Efficient simulatability of continuous-variable circuits with large
Wigner negativity [62.997667081978825]
ウィグナー負性性は、いくつかの量子計算アーキテクチャにおいて計算上の優位性に必要な資源であることが知られている。
我々は、大きく、おそらくは有界で、ウィグナー負性を示し、しかし古典的に効率的にシミュレートできる回路の広大な族を同定する。
我々は,高次元離散可変量子回路のシミュラビリティとボソニック符号とのリンクを確立することにより,本結果の導出を行う。
論文 参考訳（メタデータ） (2020-05-25T11:03:42Z)
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。