論文の概要: Theory of the Edge-of-Chaos Advantage in Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2610.05213v1
• Date: Sun, 04 Oct 2026 13:30:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:38:12.798514
• Title: Theory of the Edge-of-Chaos Advantage in Quantum Reservoir Computing
• Title（参考訳）: 量子貯留層計算におけるエッジ・オブ・カオスのアドバンテージの理論
• Abstract要約: 明示的な量子貯水池モデルを開発し,そのカオス的状態と可積分点を厳密に解析する。 カオス状態におけるメモリ保持と可積分点における非線形処理の異なる制限を同定することにより、我々の分析は観測されたエッジ・オブ・カオスの利点の理論的基礎を提供する。
• 参考スコア（独自算出の注目度）: 10.554647864389368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerical studies suggest that quantum reservoir computing performs optimally near the edge of chaos, a behavior commonly attributed to a balance between memory retention and nonlinear information processing. Here we develop an explicit quantum reservoir model and rigorously analyze its chaotic regime and integrable point. In the chaotic regime, we show that Gaussian-unitary-ensemble statistics lead to rapid memory loss: learning performance decays exponentially with the storage time required by a temporal task. This decay limits the ability of chaotic reservoirs to learn long-range temporal dependencies. At the integrable point, described by a free-fermion model, we prove that amplitude encoding and a linear readout of fermionic two-point correlations cannot learn a representative class of nonlinear tasks coupling present and past inputs. Introducing interactions alleviates this obstruction. By identifying distinct limitations on memory retention in the chaotic regime and nonlinear processing at the integrable point, our analysis provides a theoretical basis for the observed edge-of-chaos advantage and guides the design of quantum reservoirs for temporal learning.
• Abstract（参考訳）: 量子貯水池計算はカオスの端近くで最適に動作し、これは一般に記憶保持と非線形情報処理のバランスに起因する。 ここでは、明示的な量子貯水池モデルを開発し、そのカオス的状態と可積分点を厳密に分析する。 カオス的な状況下では,ガウス・ユニタリアンアンサンブル統計は,時間的タスクで要求される記憶時間とともに学習性能が指数関数的に低下する,急激な記憶損失をもたらすことを示す。 この崩壊は、カオス貯水池が長距離時間依存を学習する能力を制限する。 自由フェルミオンモデルにより記述された可積分点において、フェルミオン二点相関の振幅符号化と線形読み出しは、現在および過去の入力を結合する非線形タスクの代表クラスを学習できないことを示す。 相互作用の導入は、この障害を緩和する。 カオス状態におけるメモリ保持と可積分点における非線形処理の異なる制限を同定することにより、観測されたエッジ・オブ・カオスの優位性に関する理論的基礎を提供し、時間学習のための量子貯水池の設計を導く。

関連論文リスト

• Programmable Coherent Memory Kernels for Quantum Reservoir Computing in Waveguide QED [8.28998070560027]
  結合幾何学によりコヒーレントメモリリターンを制御する導波管-QED量子貯水池を提案する。 遅延分解メモリベンチマークでは、2つの補完関数が示される: 導波路伝搬は過去の情報がいつ戻るかを決定する。
  論文  参考訳（メタデータ） (2026-09-22T21:11:33Z)
• Coherence Estimation Beyond the Liouvillian Gap in a Finite Nonequilibrium System [0.0]
  本研究では, 温度貯留層と相互作用する有限量子系における入浴によるコヒーレンスの推定について検討する。 コヒーレンス推定の促進は過渡であり、推定精度は定常状態で完全に消失する。 有限系を量子空洞に結合し、熱バイアスを保ち、過渡的なメトロジー最適化を持続的な定常状態資源に変換することを示す。
  論文  参考訳（メタデータ） (2026-07-07T12:41:15Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• Dynamical learning and quantum memory with non-Hermitian many-body systems [37.69303106863453]
  非エルミート系(NH)は、量子技術のための肥大したプラットフォームを提供する。 ランダムグラフ上で定義された対話型NHスピンシステムの例を用いて,この関係について検討する。 第1の例外点の開始は,システムの学習能力の急激な変化に対応することを示す。
  論文  参考訳（メタデータ） (2025-06-09T11:58:40Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• On the Effect of Instability on Learning Continuous-Time Linear Control Systems [0.0]
  有限長状態軌跡に基づく連続時間力学におけるシステム同定の問題について検討する。 適切なランダム化制御入力を用いて不安定なオープンループ行列を推定する手法を提案する。 我々は,推定誤差が軌道長,励起率,信号対雑音比で減衰することを示す理論的性能保証を確立する。
  論文  参考訳（メタデータ） (2024-09-17T16:24:51Z)
• Dissipation as a resource for Quantum Reservoir Computing [3.4078654008228924]
  量子貯水池計算の分野における散逸によるポテンシャル増強について述べる。 連続散逸に基づく我々のアプローチは、従来の量子貯水池計算の提案の力学を再現するだけでなく、その応用も可能である。
  論文  参考訳（メタデータ） (2022-12-22T23:30:07Z)
• On Convergence of Training Loss Without Reaching Stationary Points [62.41370821014218]
  ニューラルネットワークの重み変数は、損失関数の勾配が消える定常点に収束しないことを示す。 エルゴード理論の力学系に基づく新しい視点を提案する。
  論文  参考訳（メタデータ） (2021-10-12T18:12:23Z)
• On Learning Rates and Schr\"odinger Operators [105.32118775014015]
  本稿では,学習率の影響に関する一般的な理論的分析を行う。 学習速度は、幅広い非ニューラルクラス関数に対してゼロとなる傾向にある。
  論文  参考訳（メタデータ） (2020-04-15T09:52:37Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。