[論文レビュー] Quantum reservoir computing with repeated measurements on superconducting devices

Toshiki Yasuda, Yudai Suzuki+7 more|arXiv (Cornell University)|Oct 10, 2023

Neural Networks and Reservoir Computing被引用数 7

ひとこと要約

本稿では、超伝導キュービットにおける繰り返し測定を用いて時系列データを生成する量子リザボア計算（QRC）フレームワークを提案する。これにより実行時間が著しく短縮され、予測精度が向上する。IBMの量子ハードウェアを用いた実験的評価では、従来のQRCよりも優れた性能を示し、情報の可用性と散逸のバランスを最適化した測定強度が、計算能力の向上に寄与する。

ABSTRACT

Reservoir computing is a machine learning framework that uses artificial or physical dissipative dynamics to predict time-series data using nonlinearity and memory properties of dynamical systems. Quantum systems are considered as promising reservoirs, but the conventional quantum reservoir computing (QRC) models have problems in the execution time. In this paper, we develop a quantum reservoir (QR) system that exploits repeated measurement to generate a time-series, which can effectively reduce the execution time. We experimentally implement the proposed QRC on the IBM's quantum superconducting device and show that it achieves higher accuracy as well as shorter execution time than the conventional QRC method. Furthermore, we study the temporal information processing capacity to quantify the computational capability of the proposed QRC; in particular, we use this quantity to identify the measurement strength that best tradeoffs the amount of available information and the strength of dissipation. An experimental demonstration with soft robot is also provided, where the repeated measurement over 1000 timesteps was effectively applied. Finally, a preliminary result with 120 qubits device is discussed.

研究の動機と目的

• 従来の量子リザボア計算（QRC）手法の長時間実行という課題に対処すること。
• 超伝導ハードウェア上で効果的な時系列データを生成するために、繰り返し測定を活用するQRCシステムの開発。
• 特にIBMの超伝導プラットフォームを対象として、実際の量子デバイス上での提案されたQRCフレームワークの実験的妥当性の検証。
• 測定強度の調整により、時間的情報処理能力を定量化・最適化すること。
• 1000ステップにわたる繰り返し測定を含むソフトロボット制御タスクを通じた実用的応用の提示。

提案手法

• 提案されたQRCシステムは、超伝導キュービットレジスタに対する繰り返し射影測定を用い、測定結果の時系列を生成する。
• 測定プロセスは、非線形的かつ記憶豊富な状態遷移として機能する散逸的ダイナミクスを引き起こす。
• 測定強度は、情報抽出とシステム散逸のバランスを最適化することで、計算能力を向上させる。
• リザボアの状態は重ね合わせ状態で初期化され、繰り返し測定によって状態が崩壊・再初期化され、有効なリザボア状態の系列が生成される。
• 時間的情報処理能力は、標準的な指標を用いて測定され、さまざまな測定強度における計算能力の評価が行われる。
• フレームワークはIBMの量子超伝導ハードウェアに実装され、時系列予測およびソフトロボット制御タスクにおける実験的妥当性が確認された。

実験結果

リサーチクエスチョン

• RQ1 超伝導キュービットにおける繰り返し測定は、量子リザボア計算の実行速度と正確性をどのように向上させるか？
• RQ2 リザボアシステムにおける情報の可用性と散逸のバランスを最適化する測定強度は何か？
• RQ3 提案されたQRCフレームワークは、従来のQRC手法よりも高い時間的情報処理能力を達成できるか？
• RQ4 1000ステップにわたる繰り返し測定を含む実世界のタスク、例えばソフトロボット制御において、システムはどの程度の性能を示すか？
• RQ5 より大きな超伝導デバイス上での繰り返し測定QRC手法のスケーラビリティの見通しはいかがなものか？

主な発見

• 提案されたQRCフレームワークは、IBMの量子ハードウェア上において、従来のQRC手法よりも高い予測正確性と著しく短い実行時間を達成した。
• 情報抽出とシステム散逸のバランスを最適化する測定強度が特定され、時間的情報処理能力が最大限に向上した。
• ソフトロボット制御タスクにおける実験的デモンストレーションは、1000ステップにわたる繰り返し測定を効果的に活用し、システムの実用的妥当性を確認した。
• 120キュービットの超伝導デバイス上でのフレームワークの妥当性が確認され、将来的なより大きな量子システムへの応用可能性が示唆された。
• 時間的情報処理能力の指標により、測定強度の調整によってシステムの計算能力が調整可能であることが確認され、中程度の値で明確なピーク性能が得られた。