論文の概要: Diagnosing quantum reservoirs at scale based on expressivity and coverage
- arxiv url: http://arxiv.org/abs/2607.09445v1
- Date: Fri, 10 Jul 2026 14:16:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.859843
- Title: Diagnosing quantum reservoirs at scale based on expressivity and coverage
- Title（参考訳）: 表現性とカバレッジに基づく大規模量子貯水池の診断
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 42.13843953705695
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Quantum reservoirs offer a hardware-friendly route to quantum machine learning, replacing trainable circuits with fixed random dynamics and a classical readout. Because the reservoir is not optimized, performance depends entirely on the choice of reservoir family, yet existing diagnostics demand resources that grow exponentially with system size. We introduce a scalable, hardware-agnostic framework built on two complementary quantities. The first is a task-independent order-statistics (ORS) expressivity score, which compares only the largest output probabilities of a reservoir ensemble against an analytical Haar baseline. It never reconstructs the full output distribution, is cost-independent of Hilbert-space dimension, and admits a closed-form depolarizing noise correction, making it directly usable on hardware. The second is the task-dependent effective rank $R_{\mathrm{eff}}$ of the feature matrix, which measures how much input-dependent information reaches the readout. We validate the ORS score against established complexity diagnostics and confirm it remains informative under simulated noise and on IBM quantum hardware. Across synthetic and real quantum extreme learning machine and quantum reservoir computing benchmarks, ORS captures the intrinsic expressivity hierarchy of reservoir families while $R_{\mathrm{eff}}$ determines when that expressivity becomes usable predictive information.
- Abstract（参考訳）: 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経路を提供し、トレーニング可能な回路を固定されたランダムなダイナミックスと古典的な読み出しに置き換える。
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が、既存の診断ではシステムサイズとともに指数関数的に成長する資源を必要とする。
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。
1つ目はタスク独立順序統計(ORS)表現率スコアであり、これは貯水池アンサンブルの最大の出力確率と分析的ハール基底線の比較である。
完全な出力分布を再構築せず、ヒルベルト空間次元に依存しず、閉形式の偏極ノイズ補正を認め、ハードウェア上で直接使用することができる。
2つ目は、タスク依存の有効ランクである$R_{\mathrm{eff}}$のフィーチャーマトリックスで、入力依存情報がリードアウトにどれだけ到達するかを測定する。
我々は、ORSスコアを確立された複雑性診断に対して検証し、シミュレートされたノイズとIBM量子ハードウェア上で情報的であることを確認する。
合成および実量子極端学習マシンと量子貯水池計算ベンチマーク全体において、ORSは貯水池ファミリーの本質的な表現性階層をキャプチャし、$R_{\mathrm{eff}}$はその表現性がいつ使用可能な予測情報になるかを決定する。
関連論文リスト
- Task-Dependent Syndrome Memory in Quantum Sensing and State Recovery [0.0]
有限の検出器と記憶は 避けられない限界を課す 音の微妙な軌跡を 解決できる
厳密な対称対数微分幾何学を用いて、観測された軌道が量子フィッシャー情報を失うことなく圧縮できるかどうかを決定する。
これらの結果は、量子センシング、統計的十分性、および量子誤り訂正を接続するタスク依存およびタイミング依存のリソースとして、シンドローム情報を確立する。
論文 参考訳（メタデータ） (2026-08-03T14:53:35Z) - Quantum Reservoir Computing: Recent Advances and Future Directions [34.77938621771246]
量子貯水池計算(QRC)は、時間的およびシーケンシャルな入力を計測された特徴に変換するために、固定または弱調整量子システムの力学を利用する。
その計算力は、しばしば量子系の指数的に大きいヒルベルト空間に起因している。
ハードウェアでは、これらの機能は、有限サンプリング、ハードウェアノイズ、測定バックアクション、観測可能量の推定コストによってさらに制限される。
論文 参考訳（メタデータ） (2026-07-20T22:38:49Z) - Temporal processing of quantum states with hybrid quantum-classical reservoirs [0.5161531917413708]
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。
論文 参考訳（メタデータ） (2026-06-19T11:14:13Z) - Neural Information Causality [0.0]
我々はニューラル情報因果性(Neural-IC)と呼ばれる枠組みを開発する。
本稿では,Neural-ICがクエリリーク,精度リーク,エピソード固有メモリの操作診断であることを示す。
また、1ビットの古典的RACベンチマークも提供し、関連する量子エンハンスメントがボトルネックを超える完全な情報ではないことを示す。
論文 参考訳（メタデータ） (2026-05-10T04:25:11Z) - Quantum Injection Pathways for Implicit Graph Neural Networks [0.8826339811274068]
深度平衡モデル(Deep Equilibrium Model)は、明示的なレイヤのスタックを固定点が出力を定義する単一の演算子に置き換える。
textitIndependent Injectionは、グラフ毎に一度量子信号を計算し、前方固定点解を計算し、解全体にわたって固定する。
textitStateに依存したインジェクションは、代わりにソルバステップ毎に信号を再計算し、現在のイテレーションに適用する。
textitBackboneに依存したインジェクションも同じように再計算されるが、現在のイテレーションで評価された古典的なバックボーンの出力に信号を適用する。
論文 参考訳（メタデータ） (2026-05-09T23:51:46Z) - Optimal quantum learning in proximity to universality [0.0]
古典的にシミュレート可能な量子システムと計算的に優れた量子システムの境界は、真の量子優位性を特定するのに基本である。
可変な$N$-qubitランダム回路モデルを導入し、クリフォードゲートの分数$p$を確率的に非安定化条件付き$hatT$ゲートに置き換える。
本研究では,時間的処理タスクにおける貯水池の性能と,その絡み合いスペクトル統計量と長距離非安定化資源量との直接対応性を確立する。
論文 参考訳（メタデータ） (2025-10-21T13:27:41Z) - 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) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。
我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。
我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
論文 参考訳（メタデータ） (2023-04-10T23:01:10Z) - 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)
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。