論文の概要: A Quantum Reservoir for Neurodynamical Forecasting
- arxiv url: http://arxiv.org/abs/2608.00139v1
- Date: Fri, 31 Jul 2026 14:52:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.358416
- Title: A Quantum Reservoir for Neurodynamical Forecasting
- Title（参考訳）: 神経力学予測のための量子貯留層
- Abstract要約: 異種量子計測と回帰パラメータを組み合わせた横場イジングモデルに基づく量子貯水池を提案する。
その結果、量子貯水池は古典的よりも優れていたことが判明した。
生体信号の性能を評価するため,シミュレーションヒト脳波データ(EEG)のQRCを並列貯水池構造を用いて評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Forecasting neural activity from short recordings remains a fundamental challenge. Reservoir computing may offer an efficient paradigm for temporal prediction, however classical reservoirs typically underperform in small-data regimes. Here we investigate whether quantum reservoir computing (QRC) can help overcome this limitation. Building on recent advances, we introduce a quantum reservoir based on a transverse-field Ising model, combined with heterogeneous quantum measurements and polynomial ridge regression. On a standard benchmark task, results show that the quantum reservoir outperforms a classical counterpart overall, with prediction accuracy strongly dependent on reservoir parameters. We further demonstrate feasibility by running the same task on quantum hardware. To assess performance on biological signals, we evaluate QRC on simulated human electroencephalography (EEG) data with a parallel reservoir architecture. On this challenging task, the tested quantum reservoir did not match the performance of the classical one, but it produced stable, convergent predictions. This is a meaningful first step toward forecasting of biologically realistic neural data using a quantum reservoir. Overall, our findings indicate that although current quantum hardware and parallel reservoir architectures do not yet surpass classical methods on complex neural signals, QRC can be executed on near-term devices and does converge with realistic EEG-like data. This work establishes a practical baseline for future algorithmic and hardware developments aimed at clinical time-series forecasting with quantum systems.
- Abstract（参考訳）: 短い録音から神経活動を予測することは、依然として根本的な課題である。
貯留層計算は、時間的予測に効率的なパラダイムを提供するが、古典的な貯水池は通常、小さなデータ体制では性能が劣る。
ここでは、量子貯水池計算(QRC)がこの制限を克服するのに役立つかどうかを検討する。
近年の進歩に基づき, 逆場イジングモデルに基づく量子貯水池を導入し, 不均一な量子測定と多項式リッジ回帰を組み合わせた。
標準的なベンチマークタスクでは、量子貯水池は古典的よりも優れており、予測精度は貯水池パラメータに強く依存している。
量子ハードウェア上で同じタスクを実行することで実現可能性を示す。
生体信号の性能を評価するため,シミュレーションヒト脳波データ(EEG)のQRCを並列貯水池構造を用いて評価した。
この挑戦的なタスクでは、テストされた量子貯水池は古典的なものの性能と一致しなかったが、安定で収束した予測を生み出した。
これは、量子貯水池を用いた生物学的に現実的な神経データの予測に向けた有意義な第一歩である。
全体として、現在の量子ハードウェアと並列貯水池アーキテクチャは、まだ複雑な神経信号の古典的手法を超えていないが、QRCは短期的なデバイス上で実行でき、現実的なEEGのようなデータに収束することを示している。
この研究は、量子システムを用いた臨床時系列予測を目的とした、将来のアルゴリズムおよびハードウェア開発のための実践的ベースラインを確立する。
関連論文リスト
- Learnable yet not simulable: a quantum resource theory of learning models [57.695822250391906]
量子資源が量子回路の古典的な学習可能性を支配するかは、いまだ不明である。
チューナブル量子回路系の期待値関数について検討する。
これらの結果は,古典シミュレーションと学習の境界を記述するための定量的な資源理論の枠組みを確立する。
論文 参考訳（メタデータ） (2026-08-03T14:48:03Z) - 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) - Digital Quantum Reservoir Computing for ATM Time Series Prediction [0.0]
ATMキャッシュ需要時系列のマルチステップ予測のためのデジタル量子貯水池計算フレームワークについて検討する。
提案手法は,部分的測定とリセットを利用した固定構造を有するパラメタライズされた4ビット貯水池を用いる。
ノイズレスシミュレーション、ノイズ対応エミュレーション、および実際のIQM Spark量子プロセッサを用いて実験を行う。
論文 参考訳（メタデータ） (2026-06-03T10:11:07Z) - Qute: Towards Quantum-Native Database [40.35292966418181]
本稿では、量子計算を第一級実行オプションとして扱う量子データベース(Qute)を構想する。
実際の量子プロセッサにQuteをデプロイすることで、古典的なベースラインを大規模に上回る結果が得られます。
論文 参考訳（メタデータ） (2026-02-16T12:39:46Z) - AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - 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) - 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) - Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。
我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
論文 参考訳（メタデータ） (2024-09-15T22:44:09Z) - Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers [6.1549556540537855]
量子力学埋め込み(QDE)を用いた時系列予測のためのデータ駆動手法を提案する。
時系列長の独立性に基づき、この手法は深さ効率の高い量子回路を実現する。
数値シミュレーションは、波動信号だけでなく、NARMAのようなより複雑な信号も予測できることを示す。
論文 参考訳（メタデータ） (2023-05-25T12:12:49Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z)
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。