論文の概要: Robust Quantum Learning through Hamiltonian Reservoir Computing

• arxiv url: http://arxiv.org/abs/2607.08037v1
• Date: Thu, 09 Jul 2026 01:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.387275
• Title: Robust Quantum Learning through Hamiltonian Reservoir Computing
• Title（参考訳）: ハミルトン貯留層計算によるロバスト量子学習
• Authors: Youya Xu, Chengyong Yu, Sanjib Ghosh,
• Abstract要約: 量子学習は、高次元ヒルベルト空間の本質的な表現能力を活用することで、情報処理のための多用途パラダイムを提供する。 本稿では、量子学習における3つの重要な課題、すなわちトレーニング可能性、ハードウェア効率、情報安定性に同時に対処する量子貯水池コンピューティングのためのハミルトン符号化フレームワークについて検討する。
• 参考スコア（独自算出の注目度）: 0.27528170226206433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum learning provides a versatile paradigm for information processing by exploiting the intrinsic representational capacity of high-dimensional Hilbert spaces. Here, we investigate a Hamiltonian-encoding framework for quantum reservoir computing that simultaneously addresses three key challenges in quantum learning: trainability, hardware efficiency, and information stability. In this framework, input data are directly mapped onto a fixed Hamiltonian and transformed into expressive nonlinear features through quantum dynamical evolution. By employing the reservoir-computing paradigm, the approach naturally circumvents the barren plateau problem in quantum learning landscapes. We validate the framework across two complementary platforms: an analog superconducting array processor and a digital gate-based quantum circuit implementation. Despite their fundamentally different realizations, both platforms exhibit comparable representational power and achieve competitive learning performance, establishing a unified framework for cross-platform quantum learning. While both implementations achieve comparable performance, the analog processor may offer a more hardware-efficient realization by bypassing the temporal overhead of gate-based decomposition and thereby making more effective use of finite coherence times, albeit at the expense of universality. Furthermore, we find that finite dissipation suppresses quantum-scrambling-induced instabilities at long evolution times and can enhance learning performance, revealing a constructive role for environmental coupling in stabilizing quantum learning dynamics. Collectively, these results establish Hamiltonian-encoded reservoir computing as a compact, expressive, and hardware-efficient paradigm for quantum learning on current-generation quantum platforms.
• Abstract（参考訳）: 量子学習は、高次元ヒルベルト空間の本質的な表現能力を活用することで、情報処理のための多用途パラダイムを提供する。 本稿では、量子学習における3つの重要な課題、すなわちトレーニング可能性、ハードウェア効率、情報安定性に同時に対処する量子貯水池コンピューティングのためのハミルトン符号化フレームワークについて検討する。 この枠組みでは、入力データは固定ハミルトニアンに直接マッピングされ、量子力学の進化を通じて表現的非線形特徴に変換される。 貯水池計算パラダイムを用いることで、量子学習ランドスケープにおけるバレンプラトー問題を自然に回避することができる。 本稿では、アナログ超伝導アレイプロセッサとデジタルゲートベースの量子回路実装の2つの相補的なプラットフォームにまたがるフレームワークを検証する。 基本的に異なる実現法にもかかわらず、両プラットフォームは同等の表現力を示し、競合する学習性能を実現し、クロスプラットフォームの量子学習のための統一されたフレームワークを確立した。 どちらの実装も同等の性能を実現するが、アナログプロセッサはゲートベースの分解の時間的オーバーヘッドを回避し、普遍性を犠牲にして有限コヒーレンス時間をより効果的に利用することにより、よりハードウェア効率の良い実現を提供することができる。 さらに, 有限散逸は長い進化時間における量子スクランブルによる不安定性を抑え, 学習性能を向上し, 量子学習力学の安定化における環境結合の構築的役割を明らかにする。 これらの結果は、ハミルトン符号化された貯水池計算を、現在の量子プラットフォーム上での量子学習のためのコンパクトで表現的でハードウェア効率のよいパラダイムとして確立する。

関連論文リスト

• Artificial intelligence for representing and characterizing quantum systems [49.29080693498154]
  大規模量子システムの効率的なキャラクタリゼーションは、量子科学における中心的な課題である。 人工知能(AI)の最近の進歩は、この課題に対処するための強力なツールとして現れている。 本稿では、これらのAIパラダイムが量子システム評価における2つのコアタスクにどのように貢献するかを論じる。
  論文  参考訳（メタデータ） (2025-09-05T08:41:24Z)
• 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)
• 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)
• Hamiltonian Dynamics Learning: A Scalable Approach to Quantum Process Characterization [6.741097425426473]
  短時間のハミルトン力学に特化して設計された効率的な量子プロセス学習法を提案する。 我々は、量子機械学習の応用を実証し、このプロトコルは、ユニタリ変換を直接学習することで、変分量子ニューラルネットワークの効率的なトレーニングを可能にする。 この研究は、実用的な量子力学学習のための新しい理論的基盤を確立し、短期的およびフォールトトレラントな量子コンピューティングの両方においてスケーラブルな量子プロセスのキャラクタリゼーションの道を開いた。
  論文  参考訳（メタデータ） (2025-03-31T14:50:00Z)
• Quantum reservoir computing on random regular graphs [0.0]
  量子貯水池コンピューティング(QRC)は、入力駆動多体量子システムと古典的な学習技術を組み合わせた低複雑性学習パラダイムである。 我々は、情報局在化、動的量子相関、および乱れハミルトニアンの多体構造について研究する。 そこで本研究では、乱れたアナログ量子学習プラットフォームの最適設計のためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-09-05T16:18:03Z)
• 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)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)

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。