論文の概要: Quantum-Fisher-information-aware optimization yields a quantum reservoir advantage over tuned classical reservoirs

• arxiv url: http://arxiv.org/abs/2610.14454v1
• Date: Sat, 10 Oct 2026 01:28:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 21:29:39.344449
• Title: Quantum-Fisher-information-aware optimization yields a quantum reservoir advantage over tuned classical reservoirs
• Title（参考訳）: 量子フィッシャー情報認識最適化は、チューニングされた古典的な貯水池に対する量子貯水池の優位性をもたらす
• Abstract要約: 量子フィッシャー情報(QFI)に最適化された量子貯水池コンピュータは、読み出しコストが等しい古典的な貯水池よりも量子的に有利であることを示す。 Mackey-Glassの予測では、1から3原子のJaynes-Cummings貯水池が4から30の訓練された重量で調整されたエコー状態のネットワークを25から69%の誤差で打ち負かし、1万のランダムネットワークの99.5%を上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We show that a quantum reservoir computer optimized with its quantum Fisher information (QFI) has a quantum advantage over a classical reservoir of equal readout cost, provided by a quantum-information advantage: optimizing the quantum parameters with the QFI metric. On Mackey-Glass forecasting, a driven Jaynes-Cummings reservoir with one to three atoms beats a tuned echo-state network at every size from 4 to 30 trained weights, by 25-69% in held-out error, and is ahead of 99.5% of 10,000 random networks. After grid and Bayesian searches saturate, the QFI-aware stage lowers the error by 29-51% at 12-30 weights, beyond equal-budget black-box search or classical-parameter gradients alone, and at 30 weights turns a loss into a win. We then derive a fundamental QFI bound on the first-order rate of change of the retrained loss and factorize the gap to this bound into five link efficiencies that identify the physical mechanism limiting optimization.
• Abstract（参考訳）: 量子フィッシャー情報(QFI)に最適化された量子貯水池コンピュータは、量子情報の優位性により、量子パラメータをQFIメトリックで最適化する古典的貯水池よりも量子的に有利であることを示す。 Mackey-Glassの予測では、1から3原子のJaynes-Cummings貯水池が4から30の訓練された重量で調整されたエコー状態のネットワークを25から69%の誤差で打ち負かし、1万のランダムネットワークの99.5%を上回っている。 グリッドとベイジアン探索が飽和した後、QFI対応段階は12～30重みで誤差を29～51%下げる。 次に、トレーニングされた損失の1次変化率に基づいて基本QFIを導出し、そのギャップを、最適化を制限する物理メカニズムを特定する5つのリンク効率に分解する。

関連論文リスト

• How Quantum Is the Advantage? A Fair, Calibration- and Noise-Aware Benchmark and Attribution Audit of Quantum Machine Learning for Network Intrusion Detection [0.0]
  ネットワーク侵入検出のための量子機械学習は、ほぼ完全な精度に達するように定期的に報告される。 多くの厳密な研究は、よく調整された古典的なモデルは競争力を維持している。 本稿では,ハイブリッド変分量子回路の評価を行う,統一的で再現可能なQML-IDSベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-08-13T07:44:35Z)
• Quantum Measurement Statistics as Bayesian Uncertainty Estimators for Physics-Constrained Learning [0.0]
  不確実性定量化(UQ)は、安全クリティカルな物理システムに機械学習モデルをデプロイするために不可欠である。 変動量子回路(VQCs)とベイズ後続の不確実性からボルン・ルール計測統計を公式に結びつける。 PDE残基をトレーニングした物理制約付きVQCについて,この枠組みを実証する。
  論文  参考訳（メタデータ） (2026-04-13T01:59:04Z)
• Late Breaking Results: Hardware-Efficient Quantum Reservoir Computing via Quantized Readout [2.2133667529581933]
  本稿では,Chebyshev機能符号化,ブロックワークの絡み合い,単一および2キュービットパウリ測定を併用した,固定・未学習量子回路に基づく,ハードウェア効率のよい量子貯留層計算フレームワークを提案する。 本研究では,FP32ベースラインの1%以内の予測精度を8ビット,6ビットの量子化で維持し,それぞれリードアウトメモリを75%,81%削減した。
  論文  参考訳（メタデータ） (2026-04-07T16:55:41Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• Performance analysis of a filtering variational quantum algorithm [0.0]
  Filtering Variational Quantum Eigensolver (F-VQE) は、既存の量子コンピュータにおける最適化問題を解くために設計された変分型ハイブリッド量子アルゴリズムである。 我々は、パラメータ化量子回路として、瞬時量子多項式回路を用いる。 F-VQEの実用的優位性には大きな発展が必要であると結論付けている。
  論文  参考訳（メタデータ） (2024-04-13T08:50:44Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)

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。