論文の概要: Temporal information processing on a 4,500-qubit quantum annealer

• arxiv url: http://arxiv.org/abs/2609.19308v1
• Date: Wed, 16 Sep 2026 18:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.979904
• Title: Temporal information processing on a 4,500-qubit quantum annealer
• Title（参考訳）: 4,500キュービット量子アニールの時間情報処理
• Abstract要約: 本稿では,プログラム可能な超伝導量子アニール上に実装された量子機械学習モデルについて報告する。 このモデルは、これまで実行された最大4,500キュービットの量子機械学習実験を使用して、時間データを大規模に処理する。
• 参考スコア（独自算出の注目度）: 2.1601438879692014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning could uncover statistical structure beyond the reach of classical models, but this requires quantum models large and expressive enough to be useful and cheap enough to read out. Most approaches optimize many quantum parameters and are thus limited by expensive training loops. Here we report a quantum machine-learning model implemented on a programmable superconducting quantum annealer that processes temporal data at large scale using up to 4,500 qubits-the largest quantum machine-learning experiment performed to date. Following the quantum reservoir computing paradigm, the untrained native many-body dynamics generated by reverse annealing is directly used to process temporal data. We prove that the interactions produced during annealing are indispensable-a non-interacting reservoir retains no memory of its input. We evaluate our model experimentally on standard memory benchmarks and demonstrate that it can successfully forecast chaotic time series. These results establish quantum annealers as a scalable platform for large-scale quantum machine learning.
• Abstract（参考訳）: 量子機械学習は、古典的なモデルの到達範囲を超えて統計構造を明らかにすることができるが、読み取るのに十分有用で安価な量子モデルを必要とする。 ほとんどのアプローチは、多くの量子パラメータを最適化し、したがって高価なトレーニングループによって制限される。 本稿では,プログラム可能な超伝導量子アニール上に実装された量子機械学習モデルについて報告する。 量子貯水池計算のパラダイムに従って、逆アニールによって生じる非学習ネイティブな多体力学は、時間データを処理するために直接使用される。 焼鈍時に生じる相互作用は必須であり, 相互作用しない貯留層は入力の記憶を保たない。 本稿では,標準メモリベンチマークを用いて実験を行い,カオス時系列の予測に成功していることを示す。 これらの結果は、大規模量子機械学習のためのスケーラブルなプラットフォームとして量子アニールを確立する。

関連論文リスト

• Fast and memory-efficient classical simulation of quantum machine learning via forward and backward gate fusion [0.0]
  本稿では,スループットを向上させるために,各前方経路と後方経路に連続ゲートを融合させる手法を提案する。 ハードウェア効率の良いAnsatzを12ドル以上のキュービットで約20ドルで改善し、メモリ帯域幅が制限されたミドルレンジの消費者向けGPUで30ドル以上の改善を実現しました。
  論文  参考訳（メタデータ） (2026-03-03T09:43:49Z)
• Shallow-circuit Supervised Learning on a Quantum Processor [0.3276917305778521]
  線形ハミルトニアンの機械学習手法を用いることで,基本的な障害を克服できることを示す。 我々は,IBM Heron量子プロセッサの最大50キュービットを用いてベンチマークデータセット上で実験を行うことにより,提案手法の有効性と拡張性を実証した。
  論文  参考訳（メタデータ） (2026-01-06T18:26:53Z)
• High-Accuracy Temporal Prediction via Experimental Quantum Reservoir Computing in Correlated Spins [15.83883278616598]
  相関量子スピンシステムに基づく新しい量子貯水池計算手法を提案する。 我々は,標準時系列ベンチマークの実験において,最先端の性能を達成する。 長期の天気予報では、我々の9スピン量子貯水池は数千のノードを持つ古典的な貯水池よりも予測精度が高い。
  論文  参考訳（メタデータ） (2025-08-17T14:40:56Z)
• 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)
• Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits [0.27309692684728604]
  量子回路に基づく瞬時生成モデルは,古典的ハードウェア上で効率的に学習可能であることを示す。 データ依存型パラメータ初期化戦略と組み合わせることで、不規則な高原の問題に遭遇することはない。 量子モデルは高次元データからうまく学習でき、単純なエネルギーベースの古典的生成モデルと比較して驚くほどよく機能する。
  論文  参考訳（メタデータ） (2025-03-04T19:00:02Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)
• Power of data in quantum machine learning [2.1012068875084964]
  データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。 本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:00:01Z)

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。