論文の概要: When Can Quantum Extreme Learning Machines Replace Quantum Reservoirs?

• arxiv url: http://arxiv.org/abs/2609.31027v1
• Date: Fri, 25 Sep 2026 09:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.322795
• Title: When Can Quantum Extreme Learning Machines Replace Quantum Reservoirs?
• Title（参考訳）: 量子極端学習マシンはいつ量子貯留層を置き換えることができるのか?
• Abstract要約: 量子貯水池コンピュータ(QRC)は、以前の入力からの情報を保持する一方、リセットウインドウ量子極端学習マシン(QELM)は、最新の入力ウィンドウのみを受信する。 省略された過去の影響が均一に無視される場合,QELMは窓が正確に成長するにつれて,任意の精度で貯水池出力を再現できることを示す。
• 参考スコア（独自算出の注目度）: 2.618653026522731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum reservoir computers (QRCs) retain information from earlier inputs, whereas reset-window quantum extreme learning machines (QELMs) start afresh and receive only a recent input window. We establish when this window can replace the reservoir's memory. Under our stated assumptions and with exact expectation values, sufficiently expressive QELMs can reproduce reservoir outputs arbitrarily accurately as their windows grow precisely when the influence of the omitted past becomes uniformly negligible. However, longer windows do not always solve the problem. We construct a simple two-qubit reservoir that performs temporal recall exactly, while every fixed-window predictor faces the same positive worst-case error over unbounded delays, regardless of model capacity. Analytical benchmarks and simulations distinguish missing history from limited features and finite measurements. The central conclusion is simple: better representations can improve how available information is used, but cannot recover a past the model never receives.
• Abstract（参考訳）: 量子貯水池コンピュータ(QRC)は、以前の入力からの情報を保持する一方、リセットウインドウ量子極端学習マシン(QELM)は、最新の入力ウィンドウのみを受信する。 このウィンドウが貯水池のメモリを置き換えることができるかを確立する。 提案した仮定と正確な期待値に基づいて、省略された過去の影響が均一に無視されるときに、窓が正確に成長するにつれて、十分に表現されたQELMは、貯水池出力を任意に再現することができる。 しかし、より長いウィンドウは必ずしもその問題を解決するとは限らない。 本研究では,時間的リコールを正確に行うための単純な2ビット貯水池を構築し,固定ウィンドウ予測器はモデルキャパシティに関係なく,非有界遅延に対して同じ正の最悪のエラーに直面している。 分析ベンチマークとシミュレーションは、不足した歴史と限られた特徴と有限測度を区別する。 より優れた表現は、利用可能な情報の使用方法を改善することができるが、モデルが決して受信しない過去を回復することはできない。

関連論文リスト

• 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)
• 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)
• Enhancing Post-Training Quantization via Future Activation Awareness [84.76726857601753]
  ポストトレーニング量子化(PTQ)は、大規模言語モデル(LLM)を微調整なしで圧縮する方法として広く用いられている。 本稿では、将来の層活性化を利用して量子化を導出するFuture-Aware Quantization (FAQ)を提案する。 FAQは、後方パス、データ再構成、チューニングを必要とせず、無視できる余分なコストで、従来手法よりも一貫してパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2026-01-28T12:03:30Z)
• Quantum Reservoir Computing for Corrosion Prediction in Aerospace: A Hybrid Approach for Enhanced Material Degradation Forecasting [0.1741346113266207]
  材料劣化の予測は多くの業界で 解決すべき重要な問題です 量子機械学習は有望な研究分野であるが、不毛の台地や測定オーバーヘッドのようなよく知られた欠陥に悩まされている。 ここでは、より小さな量子貯水池を同時に進化させることにより、量子貯水池コンピューティングの領域で同じ考え方を用いる。
  論文  参考訳（メタデータ） (2025-05-28T20:16:20Z)
• 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)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
  ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。 全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
  論文  参考訳（メタデータ） (2021-03-31T06:05:40Z)
• An Infinite-Feature Extension for Bayesian ReLU Nets That Fixes Their Asymptotic Overconfidence [65.24701908364383]
  ベイズ処理は、トレーニングデータを取り巻くReLUネットの過信を軽減することができる。 しかし、彼らから遠く離れたところでは、ReLUニューラルネットワーク(BNN)はいまだに不確実性を過小評価し過ぎている可能性がある。 事前学習した任意のReLU BNNに対して,低コストでemphpost-hocを適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-06T13:32:18Z)

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。