論文の概要: Fisher-Orthogonal Memory in Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2607.29219v1
• Date: Fri, 31 Jul 2026 09:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.678082
• Title: Fisher-Orthogonal Memory in Quantum Reservoir Computing
• Title（参考訳）: 量子貯留層計算における水産直交記憶
• Abstract要約: 本稿では,メモリトレースの識別性を定量化するための遅延空間量子フィッシャー情報行列を提案する。 この観点からは、Fisher-orthogonal memoryは測定効率のよい設計原理である。 我々はクリフォードルーティング軌道とシンガーサイクルパウリ代数に基づく可溶性多ビット貯水池を構築する。
• 参考スコア（独自算出の注目度）: 4.441368215483203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum reservoir computing processes temporal information through driven many-body dynamics, but its performance is ultimately limited by how accurately past inputs can be extracted from finite measurements. Here we formulate this limitation as a local multiparameter estimation problem and introduce a delay-space quantum Fisher information matrix to quantify the distinguishability of memory traces. This perspective identifies Fisher-orthogonal memory as a measurement-efficient design principle: different delays should perturb the reservoir state along statistically independent directions. We first analyze the single-qubit limit using the Gill--Massar bound, revealing an optimal write-store-routing trade-off. Guided by this structure, we construct solvable multi-qubit reservoirs based on Clifford routing orbits and Singer-cycle Pauli algebra. The resulting dynamics yield diagonal, analytically programmable Fisher memory matrices with controlled dissipation profiles. Under finite-shot local Pauli readout, these reservoirs retain sharp memory windows and substantially improve over optimized random Ising reservoirs for both linear delay reconstruction and nonlinear product-delay tasks. The nonlinear advantage is traced to second-order response channels that inherit the same Pauli-routing structure. Our results provide an analytically controlled route toward measurement-efficient quantum reservoir computing.
• Abstract（参考訳）: 量子貯水池計算は、駆動された多体力学を通して時間情報を処理するが、その性能は、有限の測定から過去の入力をどれだけ正確に抽出できるかによって最終的に制限される。 ここでは、この制限を局所的マルチパラメータ推定問題として定式化し、メモリトレースの識別性を定量化する遅延空間量子フィッシャー情報行列を導入する。 この観点では、フィッシャー直交記憶は測定効率のよい設計原則であり、異なる遅延は統計的に独立な方向に沿って貯水池状態を摂動させるべきである。 まず、Gill-Massar境界を用いて単一量子ビットの制限を解析し、最適な書き込みストアルーティングトレードオフを明らかにする。 この構造で導かれ、クリフォードルーティング軌道とシンガーサイクルパウリ代数に基づく可解多ビット貯水池を構築する。 結果として得られるダイナミクスは、制御された散逸プロファイルを持つ対角的、解析的にプログラム可能なフィッシャーメモリ行列をもたらす。 有限ショットの局所的なパウリ読み出しの下では、これらの貯水池はシャープなメモリウィンドウを保持し、線形遅延再構成と非線形製品遅延タスクの両方のために最適化されたランダムなアイシング貯水池よりも大幅に改善される。 非線形的優位性は、同じパウリルーティング構造を継承する2階応答チャネルに遡る。 この結果は,測定効率の高い量子貯水池計算への解析的制御経路を提供する。

関連論文リスト

• Geometric obstructions to quadratic time scaling in multiparameter quantum estimation [0.8586348698580818]
  単一パラメータの単位符号化は精度を2次的に向上させる。 しかし、複数のパラメータを同時に推定する場合、この基本的なスケーリングは保証されない。
  論文  参考訳（メタデータ） (2026-07-07T15:40:45Z)
• A hidden bottleneck in classical and quantum linear reservoir computing [0.5161531917413708]
  線形貯水池コンピュータの情報処理能力の隠れボトルネックを同定する。 固定遅延で利用可能なキャパシティは、前処理された入力にすでに存在するものによって制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-27T20:25:26Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Evaluating quantum circuits in the reservoir computing paradigm [0.5366467936613012]
  貯留層コンピューティング(Reservoir computing)は、時間情報処理に使用されるフレームワークである。 2量子ゲートで構築したブロックウォール回路を用いた貯水池の有効性について検討した。
  論文  参考訳（メタデータ） (2026-05-02T05:25:27Z)
• Recurrent Quantum Feature Maps for Reservoir Computing [0.6299766708197881]
  我々は、固定量子回路を再利用して現在の入力と過去の出力から導出される古典的なフィードバック信号の両方を符号化する、リカレント量子特徴写像に基づく貯水池を導入する。 我々は,最近導入したCP特徴量マップを用いて,Mackey-Glass の時系列予測タスク上でモデルを評価し,従来のベースラインよりも平均二乗誤差が低いことを示す。
  論文  参考訳（メタデータ） (2026-04-03T21:33:10Z)
• 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)
• Refined Risk Bounds for Unbounded Losses via Transductive Priors [67.12679195076387]
  線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。 我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2024-10-29T00:01:04Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Solving the time-complexity problem and tuning the performance of quantum reservoir computing by artificial memory restriction [0.0]
  時間的タスクを解くための量子貯水池計算の適合性は、測定が行われると量子システムの崩壊によって妨げられる。 少数の入力のみを用いて量子貯水池のメモリを人工的に制限することを提案する。 線形および二次的なアルゴリズムを,完全連結な逆イジングモデルと量子プロセッサモデルに対して数値的に検討する。
  論文  参考訳（メタデータ） (2023-06-22T13:37:34Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Memory-Efficient Backpropagation through Large Linear Layers [107.20037639738433]
  Transformersのような現代のニューラルネットワークでは、線形層は後方通過時にアクティベーションを保持するために大きなメモリを必要とする。 本研究では,線形層によるバックプロパゲーションを実現するためのメモリ削減手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T13:02:41Z)

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。