論文の概要: Quantum neuroplastic learning for time-series processing

• arxiv url: http://arxiv.org/abs/2610.34055v1
• Date: Sun, 25 Oct 2026 04:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 19:01:05.002349
• Title: Quantum neuroplastic learning for time-series processing
• Title（参考訳）: 時系列処理のための量子神経可塑性学習
• Abstract要約: 量子貯水池計算では、物理系は通常固定され、古典的な読み出しが訓練される。 量子貯水池の量子ビット間のカップリングを再編成する量子ニューロプラスチック学習(QNL)を提案する。 短期記憶と長期記憶、非線形自己回帰処理と予測、チャネル等化タスクにおいて、再起動およびオンライン監視プロトコル下でのQNLの評価を行った。
• 参考スコア（独自算出の注目度）: 0.8122270502556374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning uses quantum states and dynamics to represent and process data. In quantum reservoir computing, the physical system is typically fixed and a classical readout is trained. Inspired by the formation, strengthening and pruning of synapses during biological learning, we propose quantum neuroplastic learning (QNL), which reorganizes the couplings among the qubits of a quantum reservoir, much as experience rewires connections among neurons. Eligibility traces guide local edits to couplings, fields, gate angles and evolution time, and an edit is retained when a statistical bound on its improvement exceeds a complexity cost. We evaluate QNL under restarting and online monitored protocols on short- and long-term memory, nonlinear autoregressive processing and forecasting, and channel equalization tasks. In simulation, QNL enhances memory capacity, develops long-term recall and sustains adaptation across multiple tasks, with the largest benefit for tasks that require extended memory. On the IBM superconducting processor \texttt{ibm\_fez}, with six seven-qubit reservoirs running in parallel on 42 qubits (1.28 million shots in total), configurations learned in simulation and frozen before execution reduced the channel-equalization symbol error rate from 9.7\% to 2.2\% and achieved a lower error rate than a matched-budget tuned baseline.
• Abstract（参考訳）: 量子機械学習は、データの表現と処理に量子状態とダイナミクスを使用する。 量子貯水池計算では、物理系は通常固定され、古典的な読み出しが訓練される。 生体学習におけるシナプスの形成,強化,切断に着想を得た量子ニューロプラスティック学習(QNL)を提案する。 可視性トレースは、結合、フィールド、ゲート角、進化時間への局所的な編集を導く。 短期記憶と長期記憶、非線形自己回帰処理と予測、チャネル等化タスクにおいて、再起動およびオンライン監視プロトコル下でのQNLの評価を行った。 シミュレーションでは、QNLはメモリ容量を強化し、長期のリコールを開発し、複数のタスクにまたがって適応する。 IBMの超伝導プロセッサ \texttt{ibm\_fez} では、42量子ビット(合計1.28万ショット)で平行に動く7量子ビットの貯水池が6つあり、シミュレーションによって学習された構成が実行前に凍結され、チャネル等化シンボルのエラー率は9.7\%から2.2\%に減少し、マッチした予算で調整されたベースラインよりも低いエラー率を達成した。

関連論文リスト

• Stochastic Quantum Spiking Neural Networks with Quantum Memory and Local Learning [32.56953949580735]
  ニューロモルフィックと量子コンピューティングは、人工知能の進歩のための有望なパラダイムとして登場した。 本稿では、これらの課題に対処する量子スパイキング(SQS)ニューロンモデルを提案する。 SQSニューロンは、マルチキュービット量子回路を使用して、内部量子メモリを持つスパイクユニットを実現する。 提案したSQSNNモデルは、ニューロモルフィックコンピューティングの時系列効率を量子コンピューティングの指数的に大きな内部状態空間と融合させる。
  論文  参考訳（メタデータ） (2025-06-26T14:39:14Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Evaluating Parameter-Based Training Performance of Neural Networks and Variational Quantum Circuits [43.528848176938844]
  変分量子回路(VQC)はニューラルネットワーク(NN)に代わる有望な代替手段を提供する VQCは量子力学を利用して複雑な関係を捉え、通常より少ないパラメータを必要とする。 VQCは、トレーニング期間が長いにもかかわらず、非常に少ないパラメータを使用しながら、NNと性能を一致させることができることを示す。
  論文  参考訳（メタデータ） (2025-04-09T21:00:41Z)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
  我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。 分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。 SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-12T17:35:36Z)
• 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)
• 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)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)

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。