論文の概要: When Does Interference Help Learning? Kernel Geometry as a Pre-Experimental Test for Photonic Reservoir Computing
- arxiv url: http://arxiv.org/abs/2610.11360v3
- Date: Mon, 12 Oct 2026 11:10:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-14 23:39:49.70895
- Title: When Does Interference Help Learning? Kernel Geometry as a Pre-Experimental Test for Photonic Reservoir Computing
- Title（参考訳）: 干渉はいつ学習に役立つか? 光化学貯留層計算の予備実験としてのカーネル幾何学
- Abstract要約: マルチフォトン干渉は量子機械学習に最もネイティブであるが、実験では利点、ヌル結果、列車のみの効果が報告されている。
ここでは、ボソンサンプリング特徴写像のカーネル幾何学を通して、タスク非依存の問題を解く。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Multi-photon interference is the resource most native to photonic quantum machine learning, yet experiments on photonic reservoirs have reported advantages, null results, and train-only effects. These outcomes cannot be compared: each measures task-dependent accuracy on different tasks and platforms. Here we resolve the question task-independently through the kernel geometry of boson-sampling feature maps. Interference redistributes feature variance across roughly twice as many effective dimensions as distinguishable-particle statistics, generating a large geometric separation between the corresponding kernels. The separation grows superlinearly with indistinguishability, is linear in Hong--Ou--Mandel visibility at small visibility for two to four photons, and retains approximately 80% of its magnitude at the source quality of current quantum processors. Under experimental sampling budgets the separation is learnable on adversarially constructed tasks (accuracy advantage +0.22 plus or minus 0.05) and an order of magnitude smaller on natural tasks, gated by kernel--task alignment. The results reconcile the existing experimental record and supply a pre-experimental protocol: kernel geometry establishes that an interference-specific learning resource exists, and task alignment determines whether a given task can access it; both are computable before committing significant hardware resources.
- Abstract（参考訳）: 多光子干渉はフォトニック量子機械学習に最もネイティブな資源であるが、フォトニック貯水池の実験では、利点、ヌル結果、列車のみの効果が報告されている。
これらの結果は比較できない。それぞれが異なるタスクやプラットフォーム上でタスク依存の精度を測定する。
ここでは、ボソンサンプリング特徴写像のカーネル幾何学を通して、タスク非依存の問題を解く。
干渉再分散は、識別可能な粒子統計の約2倍の有効次元に分散し、対応するカーネル間で大きな幾何学的分離を生成する。
この分離は、区別不能で超直線的に成長し、香港-ウー-マンデルの可視性は2〜4光子で小さく、現在の量子プロセッサのソース品質でその大きさの約80%を保っている。
実験的なサンプリング予算の下では、分離は反対に構築されたタスク(精度上の利点+0.22プラスまたはマイナス0.05)で学習可能であり、自然タスクでは桁違いに小さく、カーネル-タスクアライメントによって促進される。
カーネル幾何学は、干渉固有の学習リソースが存在することを証明し、タスクアライメントは、与えられたタスクがそれにアクセス可能であるかどうかを決定し、どちらも重要なハードウェアリソースをコミットする前に計算可能である。
関連論文リスト
- Continuous-variable photonic quantum extreme learning machines for fast collider-data selection [0.0]
我々は、コライダーデータ処理のための高速かつ低オーバーヘッドのフロントエンドとして、連続可変フォトニック量子極端学習マシンについて研究する。
データは二次変位を通じてフォトニックモードで符号化され、固定時間ガウス量子基板を介して伝播する。
1つの線形解法を用いて線形分類器のみを訓練するので、再学習は高速であり、光学パスと検出器応答は解析と推論の遅延を設定できる。
論文 参考訳（メタデータ） (2025-10-15T18:21:32Z) - A multi-dimensional quantum estimation and model learning framework based on variational Bayesian inference [3.7127285734321203]
本稿では,多数のモデルパラメータに対して高速かつ操作可能な共同モデル選択とパラメータ推定アルゴリズムを提案する。
このアルゴリズムは変分ベイズ推定(VBI)に基づいており、ターゲットの後方分布を近似する。
我々は,各パラメータの異なる競合モデルを選択するために,事前の正規化がいかに使用できるかを示す。
論文 参考訳（メタデータ） (2025-07-30T22:18:27Z) - Learning a Fast Mixing Exogenous Block MDP using a Single Trajectory [87.62730694973696]
STEELは、単一軌道から外因性ブロックマルコフ決定過程の制御可能なダイナミクスを学習するための、最初の証明可能なサンプル効率アルゴリズムである。
我々は,STEELが正解であり,サンプル効率が良いことを証明し,STEELを2つの玩具問題で実証した。
論文 参考訳（メタデータ） (2024-10-03T21:57:21Z) - Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。
リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
論文 参考訳（メタデータ） (2024-06-17T18:20:51Z) - A linear photonic swap test circuit for quantum kernel estimation [0.0]
フォトニックスワップテスト回路は 2つの量子ビットをエンコードして スカラー積を0.05未満の根平均二乗誤差で推定する。
この結果は、室温で動作している堅牢なデバイスで量子機械学習タスクを実行できる統合フォトニックアーキテクチャの開発の道を開くものである。
論文 参考訳（メタデータ） (2024-02-27T22:34:14Z) - Towards Efficient Quantum Anomaly Detection: One-Class SVMs using
Variable Subsampling and Randomized Measurements [4.180897432770239]
量子コンピューティングは、カーネル計算とモデルの精度を大幅に向上させる。
本稿では,量子カーネルの評価にランダム化計測を利用する方法と,可変サブサンプリングアンサンブル法を提案する。
実験の結果, トレーニング時間と推論時間は最大95%, 25%減少した。
不安定ではあるが、ランダム化測定の平均精度は古典的ラジアル基底関数カーネルのそれを上回っている。
論文 参考訳（メタデータ） (2023-12-14T17:42:18Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - Optical quantum super-resolution imaging and hypothesis testing [1.2595315177149635]
量子状態の識別と量子イメージング技術に基づく超解像イメージングの2つの課題を実験的に実証した。
弱い二次源の存在を検知する誤りの確率を著しく低減できることを示す。
5.3mmのコレクションベースラインを使用することで、15$mu$m離れた1.0mの距離に1.7%の精度で配置される2つのソースの角分離を解消する。
論文 参考訳（メタデータ） (2022-02-18T19:53:58Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - Precise High-Dimensional Asymptotics for Quantifying Heterogeneous Transfers [66.66228496844191]
2つのタスクのサンプルを組み合わせることは、1つのタスクだけを学習するよりも、いつより優れているかを示す。
この問題は、実際には観測されている負転移と呼ばれる経験的な現象によって動機付けられている。
これらの結果をランダム効果モデルで説明し、ソースタスクのサンプル数が増加するにつれて、正から負への位相遷移を数学的に証明する。
論文 参考訳（メタデータ） (2020-10-22T14:14:20Z)
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。