論文の概要: Quantum Reservoir Computing for Attention-like Selective Reproduction

• arxiv url: http://arxiv.org/abs/2610.19272v1
• Date: Tue, 13 Oct 2026 22:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.834333
• Title: Quantum Reservoir Computing for Attention-like Selective Reproduction
• Title（参考訳）: 留置型選択再生のための量子貯留層計算
• Abstract要約: 本稿では,量子貯水池計算の新たな課題について紹介する。 バイナリキューは、リザーブが再生しなければならない2つの同時入力ストリームのどれかを示す。 我々はQRCがキューストリームを選択して再生できることを示し、これらが難しい認知タスクの出発点であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Choosing which information to use as the context changes is a basic cognitive operation. We introduce a new task of this kind for quantum reservoir computing (QRC): a binary cue indicates which of two simultaneous input streams the reservoir must reproduce. In simulated spin reservoirs with a trained linear readout, infinitely many measurements (exact expectation values) let the reservoir reproduce the cued stream accurately. At a finite number of measurements \(N_M\), the score exceeds that of a linear readout of the raw inputs only at large \(N_M\) because of sampling noise. Performance increases with both entanglement and coherence in the computational basis, and then saturates. These results show that QRC can select and reproduce a cued stream, and they are a starting point for harder cognitive tasks.
• Abstract（参考訳）: コンテキストの変化として使用する情報を選択することは、基本的な認知操作である。 量子貯水池計算(QRC: Quantum storage computing)の新たな課題として,貯水池が再現しなければならない2つの同時入力ストリームのどれかを示すバイナリキューを導入する。 訓練された線形読み出しを備えたシミュレーションされたスピン貯水池では、無限に多くの測定値(正確に期待値)により、貯水池はキュードストリームを正確に再現する。 有限個の測定値 \(N_M\) において、サンプリングノイズのため、原入力の線形読み出しよりも大きい(N_M\)。 計算ベースでの絡み合いとコヒーレンスによってパフォーマンスが向上し、飽和する。 これらの結果は、QRCがキューストリームを選択して再生できることを示し、より難しい認知タスクの出発点となる。

関連論文リスト

• Task-Resolved Fisher Spectroscopy for Quantum Reservoir Computing [11.004709593999296]
  本稿では,入力履歴の定常分布に基づいて正規正規スコア座標を予測対象として定義するEmphtask-resolved Fisher spectroscopyを紹介する。 これらのスコアに沿ったラベル付きヒストリーの再重み付けは、正確にアフィン系の貯水池の状態と測定結果を生成する。 このフレームワークは、ベンチマークのパフォーマンスを、貯留層エンコーディング、測定選択、古典表現、ショットアロケーションの実験的に実行可能な診断に結びつける。
  論文  参考訳（メタデータ） (2026-08-26T18:00:16Z)
• Diagnosing quantum reservoirs at scale based on expressivity and coverage [42.13843953705695]
  量子貯水池は、量子機械学習へのハードウェアフレンドリーなルートを提供する。 貯水池は最適化されていないため、性能は貯水池の選択に依存する。 2つの相補的な量に基づいて構築されたスケーラブルでハードウェアに依存しないフレームワークを導入する。
  論文  参考訳（メタデータ） (2026-07-10T14:16:13Z)
• 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)
• A2Q+: Improving Accumulator-Aware Weight Quantization [45.14832807541816]
  量子化技術は一般的に、重みとアクティベーションの精度を制限することにより、ニューラルネットワークの推論コストを削減している。 最近の研究は、トレーニング中にモデルの重みを制約し、推論中にターゲットのアキュムレータビット幅を安全に使用するための量子化対応トレーニング手法である、アキュムレータ対応量子化(A2Q)を提案する。 我々は、事前訓練された浮動小数点チェックポイントから量子化重みを初期化する新しい戦略であるA2Q+を紹介する。
  論文  参考訳（メタデータ） (2024-01-19T00:27:34Z)
• A2Q: Accumulator-Aware Quantization with Guaranteed Overflow Avoidance [49.1574468325115]
  accumulator-aware Quantization (A2Q)は、量子化されたニューラルネットワーク(QNN)をトレーニングして、推論時のオーバーフローを回避するために設計された新しい重み量子化手法である。 A2Qは重み正規化にインスパイアされたユニークな定式化を導入し、アキュミュレータビット幅境界に従ってモデルの重みのL1ノルムを制約する。 A2Qは浮動小数点ベースラインと競合するモデルの精度を維持しつつ、低精度のアキュムレータのためのQNNを訓練できることを示す。
  論文  参考訳（メタデータ） (2023-08-25T17:28:58Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• Reservoir Computing Approach to Quantum State Measurement [0.0]
  貯留層計算(Reservoir computing)は、超伝導多ビット系の量子計測における資源効率の高い解である。 このデバイスを動作させて2量子状態トモグラフィーと連続パリティモニタリングを行う方法を示す。
  論文  参考訳（メタデータ） (2020-11-19T04:46:15Z)

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。