論文の概要: Digital Twin Modeling of Quantum Dynamical Systems: Dissipative Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2609.36901v1
• Date: Tue, 29 Sep 2026 07:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.279632
• Title: Digital Twin Modeling of Quantum Dynamical Systems: Dissipative Quantum Reservoir Computing
• Title（参考訳）: 量子力学系のディジタル双対モデリング:分散量子貯留層計算
• Abstract要約: 極小の単一量子ビット貯水池は、かなり大きなイジングスピン鎖の高調波発生応答を再現することを示した。 単一の固定された貯水池は広い範囲のドライブにまたがって一般化し、軌道を記憶するのではなく、共有された物理応答構造を学ぶことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling the response of driven many-body quantum systems from input--output data is difficult: the dynamics are nonlinear, history dependent, and expensive to simulate as system size grows. A paradigmatic case is High-Harmonic Generation~(HHG), where a strong field drives a medium to emit radiation that is highly sensitive to the drive and encodes long-range temporal correlations. We introduce a dissipative quantum reservoir computing~(DQRC) framework that builds a digital twin of such a system, learning its input--output map directly from data while the reservoir---itself a small open quantum system---stays fixed and only a classical readout is trained. We show that a minimal single-qubit reservoir reproduces the HHG response of a substantially larger Ising spin chain, and on a representative benchmark matches and on several metrics surpasses previously reported temporal convolutional and Kolmogorov--Arnold-network models, while using a simpler, physically realizable system. A single fixed reservoir further generalizes across a broad range of drives, indicating that it learns a shared physical response structure rather than memorizing trajectories. These results establish dissipative quantum reservoirs as compact, physically grounded digital twins for nonlinear, memory-dependent quantum dynamics. Code is available at \href{https://github.com/AI-and-Quantum-Computing/DQuRC}{https://github.com/AI-and-Quantum-Computing/DQuRC}.
• Abstract（参考訳）: 入力出力データから駆動された多体量子システムの応答をモデル化することは困難である: 力学は非線形であり、履歴に依存し、システムのサイズが大きくなるにつれてシミュレートする費用がかかる。 パラダイム的なケースはハイ・ハーモニック・ジェネレーション(HHG)であり、強い磁場が媒質を駆動し、駆動に非常に敏感な放射を放出し、長距離時間相関を符号化する。 このようなシステムのデジタルツインを構築し、その入力出力マップをデータから直接学習し、貯水池自体が小さなオープンな量子システムである--固定され、古典的な読み出しのみを訓練する、散逸的な量子貯水池コンピューティング~(DQRC)フレームワークを導入する。 また, 従来報告されていた時間畳み込みモデルとコルモゴロフ-アルノルド-ネットワークモデルに比較して, より単純で物理的に実現可能なシステムを用いて, 代表的なベンチマークといくつかの測定値に比較して, HHG応答を再現することを示す。 単一の固定された貯水池は広い範囲のドライブをまたいでさらに一般化し、軌道を記憶するのではなく、共有された物理応答構造を学ぶことを示す。 これらの結果は、非線形、メモリ依存の量子力学のためのコンパクトで物理的に接地されたデジタル双対として、散逸性量子貯水池を確立する。 コードは \href{https://github.com/AI-and-Quantum-Computing/DQuRC}{https://github.com/AI-and-Quantum-Computing/DQuRC} で公開されている。

関連論文リスト

• 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)
• Robust quantum reservoir computers for forecasting chaotic dynamics: generalized synchronization and stability [3.7960472831772765]
  量子貯水池コンピュータは時系列データからカオス力学を学習・予測するための堅牢なツールであることを示す。 この研究は、短期量子ハードウェア上でのカオス時系列予測のための堅牢な量子マシンを設計する機会を開く。
  論文  参考訳（メタデータ） (2025-06-27T15:42:20Z)
• 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)
• 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)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Small-world complex network generation on a digital quantum processor [0.0]
  デジタル量子プロセッサ上での量子セルオートマトンの最初の実験的実現を実演する。 我々は、小世界の相互情報ネットワークの形成を示す人口動態と複雑なネットワーク測度を計算する。 このような計算は、強い相関性の物質のシミュレーションのような応用におけるQCAの活用への扉を開く可能性がある。
  論文  参考訳（メタデータ） (2021-10-30T03:55:45Z)
• Neuromorphic computing with a single qudit [0.0]
  貯留層計算(Reservoir computing)は、多体量子系の高忠実度制御の代替である。 ここでは、単一のキューディット(d$D量子系)からなる貯水池を考える。 類似の古典システムと比較して,ロバストな性能上の優位性を示す。
  論文  参考訳（メタデータ） (2021-01-27T22:35:22Z)

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。