transmon量子比特储层的记忆容量表征
风险管理
2022-09-27 v7 量子物理
摘要
量子储层计算(QRC)利用量子系综系统的动力学进行机器学习。数值实验表明,由5-7个量子比特组成的量子系统具有可与100至500个节点的传统循环神经网络相媲美的计算能力。与传统神经网络不同,我们尚不了解用于高性能信息处理的储层设计的指导原则。理解量子储层的记忆容量仍是一个开放问题。在本研究中,我们专注于表征使用IBM提供的transmon器件构建的量子储层的记忆容量。我们的混合储层实现了6x10^{-4}的归一化均方误差(NMSE),可与近期基准相媲美。n量子比特储层的记忆容量表征显示出随拓扑复杂度的系统性变化,并在具有n-1个自环的配置处出现峰值。该峰值为预测任务的最优设计选择提供了依据。
引用
@article{arxiv.2004.08240,
title = {Characterizing the memory capacity of transmon qubit reservoirs},
author = {Samudra Dasgupta and Kathleen E. Hamilton and Arnab Banerjee},
journal= {arXiv preprint arXiv:2004.08240},
year = {2022}
}
备注
Published in Proceedings of IEEE Quantum Computing and Engineering Conference, Denver, Colorado, USA, 2022 (https://qce.quantum.ieee.org/2022/)