論文の概要: Approximate reservoir computing with a semiconductor laser for reducing energy consumption

• arxiv url: http://arxiv.org/abs/2607.23288v1
• Date: Sat, 25 Jul 2026 16:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.050462
• Title: Approximate reservoir computing with a semiconductor laser for reducing energy consumption
• Title（参考訳）: 半導体レーザーによるエネルギー消費削減のための近似貯水池計算
• Abstract要約: フォトニック貯水池コンピューティングは時系列データの予測に有望な機械学習技術である。 本研究では, 半導体レーザを用いた近似貯水池計算の概念を導入し, 貯水池内のノード状態の振幅を定量化する。 我々は, 半導体レーザの量子化ビット数, サンプリング周波数, 噴射電流を最適化することにより, エネルギー消費の大幅な削減を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photonic reservoir computing is a promising physical machine-learning technique for predicting time-series data. The quantization of the response signal from the reservoir is required for the implementation of photonic reservoir computing, and the number of quantization bits and sampling frequency need to be optimized to achieve high performance and low energy consumption. However, few studies have been reported to investigate the effect of bit quantization and sampling frequency. In this study, we introduce a concept of approximate reservoir computing with a semiconductor laser by quantizing the amplitude of node states in the reservoir and output weights. We evaluate the performance of a chaotic time-series prediction task and energy consumption per sample. We achieve significant reduction of energy consumption by optimizing the number of quantization bits, the sampling frequency, and the injection current of the semiconductor laser, while maintaining the prediction performance.
• Abstract（参考訳）: フォトニック貯水池コンピューティングは、時系列データの予測に有望な物理機械学習技術である。 フォトニック貯水池計算の実装には貯水池からの応答信号の量子化が必要であり、高性能で低エネルギー消費を実現するためには、量子化ビット数とサンプリング周波数を最適化する必要がある。 しかし、ビット量子化とサンプリング周波数の影響を調査する研究はほとんど報告されていない。 本研究では,半導体レーザを用いた近似貯水池計算の概念を,貯水池内のノード状態の振幅と出力重みを定量化することによって導入する。 我々は,カオスな時系列予測タスクの性能と,サンプルあたりのエネルギー消費量を評価する。 予測性能を維持しつつ、量子化ビット数、サンプリング周波数、半導体レーザの注入電流を最適化することにより、エネルギー消費の大幅な削減を実現する。

関連論文リスト

• Quantum Reservoir Computing for Short-Term Power Load Forecasting in Resource-Constrained Energy Systems [2.2133667529581933]
  本研究では,エネルギー負荷予測のためのハードウェア効率の高い量子貯留層計算フレームワークを提案する。 固定量子貯水池は、時間入力ウィンドウを高次元の特徴に変換し、古典的なElastic Netリードアウトのみを訓練する。 その結果、6ビットの読み出し精度は、読み出しメモリを81.2%削減しつつ、完全精度の予測性能を保っていることがわかった。
  論文  参考訳（メタデータ） (2026-06-11T02:05:25Z)
• Quantum Energetic Advantage before Computational Advantage in Boson Sampling [0.0]
  我々は、現実的なフォトニック量子コンピューティングアーキテクチャを用いて、ボソンサンプリング問題を解決するのに必要なエネルギーを分析する。 量子と最先端の古典的な実装のエネルギー消費を比較することで、量子エネルギー的優位性の存在を実証する。
  論文  参考訳（メタデータ） (2026-01-12T23:22:21Z)
• Fast surrogate modelling of EIT in atomic quantum systems using LSTM neural networks [0.0]
  我々は,光量子シミュレーションの出力を高精度に再現し,計算コストを大幅に削減できるLong Short-Term Memory Neural Networkを開発した。 我々は,この手法をドップラーブロード化電磁誘導透明性に適用し,ライドバーグ型センシングのためのはしご型スキームに適用することに集中する。 この代表的光量子システムにおけるLSTMモデルの有効性を実証し、リアルタイム信号処理とフィードバックに基づく最適化をサポートするサロゲートツールとして確立する。
  論文  参考訳（メタデータ） (2025-10-02T22:30:40Z)
• 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)
• Fast Expectation Value Calculation Speedup of Quantum Approximate Optimization Algorithm: HoLCUs QAOA [55.2480439325792]
  本稿では,LCU演算子の線形結合として表現できる演算子の期待値を計算するための新しい手法を提案する。 この方法は任意の量子アルゴリズムに対して一般的であり、変分量子アルゴリズムの加速に特に関心がある。
  論文  参考訳（メタデータ） (2025-03-03T17:15:23Z)
• Quantum computational advantage of noisy boson sampling with partially distinguishable photons [0.0]
  本研究では,ボソンサンプリングの古典的難聴を抑える部分的識別性雑音のレベルを同定する。 平均$O(log N)$のボソンサンプリングは、$N$の入力光子のうち、識別可能な光子の個数であり、理想的なボソンサンプリングケースと同等の複雑さを保っている。
  論文  参考訳（メタデータ） (2025-01-23T07:37:29Z)
• On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
  エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。 このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。 精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:39:34Z)
• NoisyQuant: Noisy Bias-Enhanced Post-Training Activation Quantization for Vision Transformers [53.85087932591237]
  NoisyQuantは、視覚変換器のトレーニング後のアクティベーション量子化性能に対する量子化器に依存しない拡張である。 理論的な洞察に基づいて、NoisyQuantは重い尾の活性化分布を積極的に変化させる最初の成功を達成している。 NoisyQuantは、最小の計算オーバーヘッドで視覚変換器のトレーニング後の量子化性能を大幅に改善する。
  論文  参考訳（メタデータ） (2022-11-29T10:02:09Z)
• Faster spectral density calculation using energy moments [77.34726150561087]
  我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。 このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
  論文  参考訳（メタデータ） (2022-11-01T23:57:58Z)
• Post-Training Quantization for Vision Transformer [85.57953732941101]
  本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。 約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
  論文  参考訳（メタデータ） (2021-06-27T06:27:22Z)
• Reservoir Computing Approach to Quantum State Measurement [0.0]
  貯留層計算(Reservoir computing)は、超伝導多ビット系の量子計測における資源効率の高い解である。 このデバイスを動作させて2量子状態トモグラフィーと連続パリティモニタリングを行う方法を示す。
  論文  参考訳（メタデータ） (2020-11-19T04:46:15Z)

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。