論文の概要: Superextensive learning in quantum reservoirs at the onset of information scrambling
- arxiv url: http://arxiv.org/abs/2608.25511v1
- Date: Wed, 26 Aug 2026 08:21:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.669295
- Title: Superextensive learning in quantum reservoirs at the onset of information scrambling
- Title（参考訳）: 情報スクランブル開始時の量子貯水池における超過度学習
- Abstract要約: 情報処理が秩序とカオスの境界付近で最適化されるという考えは、神経科学、複雑なシステム、機械学習にまたがって繰り返される原則として現れてきた。
学習システムに潜む情報が,動作点から量子貯水池の性能向上のためのスケーリング法則へと変化することを示す。
- 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: The idea that information processing is optimised near the boundary between order and chaos has emerged as a recurring principle across neuroscience, complex systems, and machine learning. Here we test this hypothesis in quantum many-body systems, numerically simulating two-dimensional Ising networks of up to $N=20$ spins, operated as quantum reservoirs for time-series forecasting. Using out-of-time-order correlators (OTOCs), we locate the onset of information scrambling as the input strength is swept, separating regimes where information is frozen and scrambled across the whole reservoir state. We show that prediction precision peaks at the onset of scrambling, along with the number of computational-basis states that the reservoir actively populates. We then show that prediction precision grows as a power law $\sim N^α$ in the reservoir size, superextensively $(α>1)$ at the onset of scrambling and only sublinearly $(α<1)$ in either neighbouring regime. Finally, we show that scrambling enhances the nonlinear components of the reservoir memory while reducing its linear capacity. At the onset, the total memory capacity grows superextensively, provided that the necessary ``forgetting'' mechanism is supplied by a collective relaxation channel. These results consolidate the role of information scrambling in learning systems, turning it from an operating point into a scaling law for the performance of quantum reservoirs.
- Abstract（参考訳）: 情報処理が秩序とカオスの境界付近で最適化されるという考えは、神経科学、複雑なシステム、機械学習にまたがって繰り返される原則として現れてきた。
ここでは、この仮説を量子多体系で検証し、時系列予測のための量子貯水池として動作する最大$N=20$スピンの2次元イジングネットワークを数値シミュレーションする。
OOC(Out-of-Time-order correlator)を用いて、入力強度が急上昇するにつれて発生する情報のオンセットを特定し、情報を凍結して貯水池全体にわたってスクランブルするレジームを分離する。
本研究では,スクランブル開始時の予測精度がピークに達し,貯水池が活発に出現する計算基底値の数も示す。
すると、予測精度は、貯水池の大きさで$\sim N^α$、超過激に$(α>1)$、近隣の政権で$(α<1)$として増加することを示す。
最後に,スクランブルはリニア容量を低減しつつ,レザーバメモリの非線形成分を高めることを示す。
必要な‘forgetting’メカニズムは、集合緩和チャネルによって提供される。
これらの結果は、学習システムにおける情報スクランブルの役割を集約し、量子貯水池の性能向上のためのスケーリング法則へと転換する。
関連論文リスト
- Geometric Approach to Zero-Memory Quantum Dot Reservoir Computing [0.11999555634662634]
物理貯水池コンピューティングは、従来のニューラルネットワークに代わるエネルギー効率の高い代替手段を提供する。
メモリレスシステムではメモリ容量を極端に設計できることを示す。
メモリレス量子貯水池は,カオス的なマッキーグラスの将来予測と非線形変換タスクの両方において高い性能が得られることを示す。
論文 参考訳（メタデータ） (2026-06-28T10:26:43Z) - Efficient Complex-Valued State Preparation on Bucket Brigade QRAM [47.72095699729477]
効率的な量子状態準備は、大規模な古典的データを処理する量子アルゴリズムにおいて重要な要素である。
同じアーキテクチャ・アウェア・フレームワークで2つの改善点を提示します。
論文 参考訳（メタデータ） (2026-04-28T13:43:29Z) - 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) - 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) - QuantSparse: Comprehensively Compressing Video Diffusion Transformer with Model Quantization and Attention Sparsification [67.15451442018258]
拡散変換器は素晴らしいビデオ生成能力を示すが、その計算とメモリの禁止コストは実際の展開を妨げる。
モデル量子化とアテンションスパシフィケーションは圧縮に有望な2つの方向であるが、それぞれがアグレッシブ圧縮の下で深刻な性能劣化を被っている。
モデル量子化と注意散布を統合した統合フレームワークである textbfQuantSparse を提案する。
論文 参考訳（メタデータ） (2025-09-28T06:49:44Z) - 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) - Role of scrambling and noise in temporal information processing with quantum systems [1.3140209441982318]
時相情報処理のための効果的な基板として、スクランブル量子系が注目されている。
量子システムを用いて、幅広い物理計算モデルをキャプチャする量子貯水池処理フレームワークについて検討する。
論文 参考訳（メタデータ） (2025-05-15T08:35:10Z) - Determinant Estimation under Memory Constraints and Neural Scaling Laws [48.68885778257016]
メモリ制約設定における大規模対数決定式計算のための新しい階層的アルゴリズムを導出する。
擬似決定詞の比率が法則関係を満たすことを示し、対応するスケーリング法則を導出できるようにする。
これにより、完全なデータセットのごく一部からNTKログ行列式を正確に推定できる。
論文 参考訳（メタデータ） (2025-03-06T13:32:13Z) - 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) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - 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) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z)
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。