×
里卡多·莫尔特尼;克劳迪奥·德斯特里;恩里科·普拉蒂

时间序列任务量子回声状态网络的内存重置率优化。 （英语） Zbl 1520.81040号

物理学。莱特。，一个 465，文章ID 128713，9 p.（2023）.
摘要：量子水库计算是一类量子机器学习算法，涉及基于量子比特寄存器的回声状态网络水库，但其存储容量对超参数的依赖性仍不清楚。为了最大限度地提高其在时间序列预测任务中的准确性，我们研究了网络记忆与量子库演化重置率之间的关系。我们在IBM量子硬件上通过三个带有衰落内存的非线性映射对网络性能进行基准测试。对于间隔\（[0，1]\）中的内存重置率中心值，量子库的内存容量最大化。正如预期的那样，内存容量随量子比特数近似线性增加。优化内存重置率后，任务中预测输出的均方误差可能会比以前的实现减少一倍（1/5）。

MSC公司：

81页68 量子计算
68T05年 人工智能中的学习和自适应系统
2012年第68季度 计算理论中的量子算法和复杂性
68第20页 信息存储和数据检索
2015财年51 反射组，反射几何体
46T25型 非线性泛函分析中的全纯映射
94B70型 编码理论中的错误概率

关键词：

量子机器学习;量子水库计算;量子回波态网络
PDF格式BibTeX公司 XML格式引用
\textit{R.Molteni}等人，《物理学》。莱特。，A 465，文章ID 128713，9 p.（2023；Zbl 1520.81040）
全文： 内政部 arXiv公司

参考文献：

[1] 尼尔森，M。；Chuang，I.L.，《量子计算与量子信息》（2010），剑桥大学出版社·Zbl 1288.81001号
[2] 巴伦兹，R。；Kelly，J。；梅格兰特，A。；Veitia，A。；桑克，D。；Jeffrey，E。；怀特，T.C。；Mutus，J。；福勒，A.G。；坎贝尔（Campbell，B.），《容错表面代码阈值下的超导量子电路》，《自然》，5087497（2014）
[3] Rotta，D。；塞巴斯蒂亚诺，F。；Charbon，E。；Prati，E.，CMOS硅基量子计算机体系结构的量子信息密度缩放和量子比特操作时间约束，npj Quantum Inf.，3，1，1-14（2017）
[4] Preskill，J.，《NISQ时代及其后的量子计算》，Quantum，279（2018）
[5] Boixo，S。；Isakov，S。；斯迈扬斯基，V。；巴布什，R。；丁，N.，《表征近期器件中的量子优势》，《自然物理学》。，14, 595-600 (2018)
[6] 费拉罗，E。；Prati，E.，全电子硅量子计算长期可行吗？，物理学。莱特。A、 384，17，第126352条pp.（2020）
[7] Rocutto，L。；Destri，C。；Prati，E.，通过绝热量子计算机的反向退火进行量子语义学习，高级量子技术。，第4、2条，第2000133页（2021）
[8] 马罗内塞，M。；Prati，E.，《连续Rosenblatt量子感知机》，《国际量子信息》，第2140002页，（2021）·Zbl 07414648号
[9] 比亚蒙特，J。；Wittek，P。；潘科蒂，《量子机器学习》，《自然》，195-202年（2017年）
[10] Prati，E.，量子人工智能的量子神经形态硬件，J.Phys。Conf.序列号。，880（2017）
[11] 拉扎林，M。；加利，D。；Prati，E.，用于量子相位识别的具有张量网络电路的多类量子分类器，Phys。莱特。A、 第128056条pp.（2022）
[12] 马罗内塞，M。；Destri，C。；Prati，E.，量子神经网络的量子激活函数，量子信息处理。，21 (2022) ·Zbl 1508.81500号
[13] Agliardi，G。；Prati，E.，用于多变量分布负载的量子生成对抗性网络的优化调谐，quantum Rep.，4，1，75-105（2022）
[14] Fujii，K。；Nakajima，K.，《利用无序组装量子动力学进行机器学习》，Phys。修订版A，8，第024030条pp.（2017）
[15] Nokkala，J。；马丁内斯·佩尼亚，R。；赞布里尼，R。；Soriano，M.C.，线性网络波动下的高性能水库计算，IEEE Trans。神经网络。学习。系统。，33，第032315条pp.（2022）
[16] Agliardi，G。；格罗西，M。；佩伦，M。；Prati，E.，基本粒子过程的量子集成，物理学。莱特。B、 第137228条pp.（2022）
[17] Maass，W。；Henry，M.，《关于尖峰神经元回路的计算能力》，J.Compute。系统。科学。，69 (2004) ·Zbl 1076.68062号
[18] Nakajima，K。；Fujii，K。；尼戈罗，M。；Mitarai，K。；Kitagawa，M.，《通过量子库计算中的空间复用提高计算能力》，物理。修订申请。，第11条，第034021页（2019年）
[19] 达斯古普塔，S。；哈密尔顿，K。；Banerjee，A.，《为波动性预测设计具有最大存储容量的NISQ水库》（2020年），预印本
[20] Fujii，K。；Nakajima，K.，《量子库计算：在近期量子器件上实现量子机器学习的库方法》（2021），施普林格·Zbl 1482.68195号
[21] 陈，J。；Nurdin，H。；Yamamoto，N.，噪声量子计算机上的时间信息处理，物理学。修订申请。，14，第024065条pp.（2020）
[22] 卢科舍维奇，M。；Jaeger，H.，递归神经网络训练的水库计算方法，计算。科学。第3版（2009年）·Zbl 1302.68235号
[23] 倪，先锋；Verhaegen，M。；Krijgsman，A.J。；Verbruggen，H.B.，非线性动态系统辨识和控制的一种新方法，工程应用。Artif公司。智力。，9 (1996)
[24] Tran，Q.H。；Nakajima，K.，《学习时间量子层析成像》，Phys。修订稿。，127，第260401条pp.（2021）
[25] Jaeger，H。；Haas，H.，《利用非线性：预测混沌系统和无线通信节能》，《科学》，304，5667（2004）
[26] Jaeger，H.，递归神经网络训练教程，涵盖BPPT、RTRL、EKF和“回声状态网络”方法，5（2002），GMD-Forschungszentrum Informationstechnik Bonn
[27] Jaeger，H.，《分析和训练递归神经网络的“回声状态”方法——带勘误表（2001）》，德国波恩：德国国家信息技术研究中心GMD技术报告148
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。