論文の概要: Parameter-Efficient Multilinear Readout for Quantum Reservoir Computing

• arxiv url: http://arxiv.org/abs/2610.13974v1
• Date: Fri, 18 Sep 2026 14:49:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:41:46.403416
• Title: Parameter-Efficient Multilinear Readout for Quantum Reservoir Computing
• Title（参考訳）: 量子貯留層計算のためのパラメータ効率の良いマルチ線形読み出し
• Abstract要約: 量子Reservoir Computing (QRC) は、固定量子力学を高次元の特徴マップとして利用する。 モードワイズプロジェクションにより圧縮されたテンソル構造型ニューラルリードアウトであるMLQRCのマルチ線形読み出しを提案する。
• 参考スコア（独自算出の注目度）: 0.06314062163723337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Reservoir Computing (QRC) uses fixed quantum dynamics as a high-dimensional feature map. Still, standard pipelines flatten reservoir measurements and train a linear readout, ignoring the natural tensor structure across time steps, qubits, and observables. We propose a multilinear readout for quantum reservoir computing (ML-QRC), a tensor-structured neural readout compressed through mode-wise projections. Relative to a dense hidden-width-64 neural readout, this reduces the feature-to-hidden parameter count from $64TnF$ to $d(T+n+F)+64d^3$, giving a $12.1\times$ feature-block compression at $T=50$, $n=6$, $d=8$, and $F=n+\binom{n}{2}$. Across Mackey-Glass forecasting and TFIM phase classification, ML-QRC remains statistically competitive with Ridge on Mackey-Glass and obtains the numerically highest full-data TFIM accuracy among tested methods, while using $12.0\times$ fewer parameters than the full dense MLP. Its clearest benefit is improved low-data stability relative to neural MLP readouts on Mackey-Glass; this advantage does not transfer to TFIM, where Ridge performs best at 50\% data. Overall, ML-QRC is best viewed as a tensor-structured neural readout that compresses dense MLP readouts while preserving QRC tensor structure, rather than as a replacement for simple linear/Ridge readouts in the tested regime.
• Abstract（参考訳）: 量子Reservoir Computing (QRC) は、固定量子力学を高次元の特徴マップとして利用する。 それでも、標準パイプラインは貯水池の測定を平らにし、時間ステップ、キュービット、可観測物にまたがる自然なテンソル構造を無視して線形読み出しを訓練する。 モードワイズプロジェクションにより圧縮されたテンソル構造型ニューラルリードアウトである,量子貯水池コンピューティング(ML-QRC)のためのマルチ線形リードアウトを提案する。 密集した秘密幅64のニューラルリードアウトとは対照的に、この機能から隠れたパラメータのカウントを$4TnF$から$d(T+n+F)+64d^3$に減らし、12.1\times$機能ブロック圧縮を$T=50$、$n=6$、$d=8$、$F=n+\binom{n}{2}$とする。 ML-QRCはマッキーグラスの予測とTFIMの位相分類全体では、マッキーグラスのリッジと統計的に競合し続け、テスト手法の中で最も高いフルデータTFIMの精度を得ながら、フル密度のMLPよりも12.0\times$少ないパラメータを使用する。 最も明確な利点は、Mackey-Glass上のニューラルMPP読み込みと比較して、低データの安定性を改善することである。 全体として、ML-QRCは、テストされた状態における単純なリニア/リッジ読み出しの代替としてではなく、QRCテンソル構造を保ちながら高密度のMLP読み出しを圧縮するテンソル構造型ニューラルリードアウトとして、最もよく見なされている。

関連論文リスト

• SQUARE: Structured Quantum Representation Adapters as Compact Quadratic Feature Maps for Frozen Language Models [50.300302932452006]
  凍結言語モデル(LM)は、下流の再ランク付け、スコアリング、嗜好モデリングのための固定された特徴抽出器として、ますます使われている。 本稿では、ボトルネックベクトルを振幅符号化し、パラメータ化量子回路を適用し、その結果の状態を測定する構造量子表現アダプタを提案する。 各基底確率関数は、ちょうどボトルネック座標における正規化された二次形式であり、追加のPauli$Z$読み出しはそれらの確率の線形結合であることを示す。
  論文  参考訳（メタデータ） (2026-09-29T09:38:29Z)
• Modeling quantum neural network gradient with reinforcement learning [0.0]
  短期ハードウェア上での量子ニューラルネットワーク(QNN)のトレーニングは、2つの複合的な困難によって妨げられている。 RLQ-Gradは、古典的ポリシーがパラメータを直接更新することを学習する強化学習に基づく手法である。 最大12キュービットの回路上の勾配ベースのベースラインよりも、最大10ドル以上でトップ1の精度を向上する。
  論文  参考訳（メタデータ） (2026-09-25T10:03:48Z)
• M-QAM MIMO Maximum-Likelihood Detection with QAOA: ML-Rate Offline Angle Design and Correlated Infinite-Size Spin-Glass Models [9.13755431537592]
  量子近似最適化アルゴリズム(QAOA)は、マルチインプット多重出力(MIMO)システムにおけるNP-hard maximum-likelihood(ML)検出を目標としている。 試験は4096-QAM、128アンテナ、$p=30$、シンボルごとのSNR 0-45 dBに達する。 このアプローチは、より深いノイズのないフォールトトレラント量子(FTQ)回路の準最適復号化に向けられている。
  論文  参考訳（メタデータ） (2026-08-18T12:45:47Z)
• qSHIFT: An Adaptive Sampling Protocol for Higher-Order Quantum Simulation [0.5635658368100682]
  量子シミュレーションは量子コンピューティングの基盤となる応用である。 標準手法は回路深度と精度のトレードオフに直面している。 これらの制限を克服する適応サンプリングプロトコルであるqSHIFTを導入する。
  論文  参考訳（メタデータ） (2026-04-29T03:47:21Z)
• MLPMoE: Zero-Shot Architectural Metamorphosis of Dense LLM MLPs into Static Mixture-of-Experts [0.0]
  大規模言語モデル(LLM)は、主に高密度トランスフォーマーとしてデプロイされ、すべてのトークンに対してフィードフォワードブロック内の全てのパラメータがアクティブになる。 MoEfication、CMoE、ToMoE、MoOREといった最近のアップサイクリング手法は、高密度フィードフォワードネットワーク内の疎小で半モジュラーなサブ構造に有用な計算の大部分が存在していることを明らかにしている。 本稿では,高密度の変圧器ブロックを静的な高心性混合体に再構成する学習自由変換であるMoE(MLP-Experts)を紹介する。
  論文  参考訳（メタデータ） (2025-11-26T06:14:26Z)
• Accelerated characterization of two-level systems in superconducting qubits via machine learning [74.02542457579791]
  本稿では,2レベルシステム(TLS)パラメーターを抽出するためのデータ駆動型アプローチを提案する。 カスタム畳み込みニューラルネットワークモデル(CNN)は、フォーム形式で提示された分光データから、$omega_TLS$, $g$, $T_TLS, 1$と$Tphi_TLS, 2$を同時に予測することができる。
  論文  参考訳（メタデータ） (2025-09-22T12:55:52Z)
• Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling [50.994194925685434]
  LrcSSMは$textitnon-linear$リカレントモデルで、現在の線形状態空間層と同じくらい高速に長いシーケンスを処理する。 ヤコビ行列を対角線に強制することにより、全列を並列に解くことができる。 LrcSSMは、Liquid-S4のような他の入力変化系が提供しないことを保証する形式的な勾配安定性を提供する。
  論文  参考訳（メタデータ） (2025-05-27T20:02:59Z)
• QServe: W4A8KV4 Quantization and System Co-design for Efficient LLM Serving [52.31791050376249]
  量子化は大規模言語モデル(LLM)の推論を加速させる。 4ビット重み、8ビットアクティベーション、4ビットKVキャッシュを備えたW4A8KV4量子化アルゴリズムQoQを導入する。 QServeは、Llama-3-8BをA100で1.2倍、L40Sで1.4倍、Qwen-721.5BをA100で2.4倍、L40Sで3.5倍、達成可能な最大機能を改善する。
  論文  参考訳（メタデータ） (2024-05-07T17:59:30Z)

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。