[論文レビュー] Efficient time-series prediction on NISQ devices via time-delayed quantum extreme learning machine

Mio Kawanabe, Saud Čindrak+4 more|arXiv (Cornell University)|Feb 25, 2026

Machine Learning and ELM被引用数 0

ひとこと要約

TD-QELMは複数の過去入力を並列にエンコードすることによりNISQデバイス上での線形スケーリングと浅い回路での時系列予測を実現し、NARMA10タスクにおける従来のQRCを上回る。

ABSTRACT

We proposed a time-delayed quantum extreme learning machine (TD-QELM) for efficient time-series prediction on noisy intermediate-scale quantum (NISQ) devices. By encoding multiple past inputs simultaneously, TD-QELM achieves shallow circuit depth independent of sequence length, thereby, mitigating noise accumulation and reducing computational complexity. Experiments using the NARMA benchmark on both noiseless simulations and IBM's 127-qubit processor demonstrate that TD-QELM consistently outperforms conventional quantum reservoir computing in prediction accuracy and noise robustness. These results highlight TD-QELM as a practical and scalable framework for time-series learning on current NISQ hardware.

研究の動機と目的

• 量子リザボアコンピューティング（QRC）の逐次データに対する限界とNISQデバイスでのノイズ蓄積を動機づける。
• 過去の入力を並列エンコードして回路深さと計算を削減するTD-QELMの提案。
• シミュレーションとIBMハードウェアの両方で、NARMA10ベンチマークでTD-QELMがQRCより性能とスケーラビリティを改善することを示す。

提案手法

• TD-QELMを用いてN個の過去入力を同時にN個のキュービットへエンコードし、シーケンス長に依存しない回路深さを得る。
• 構造化量子リザーバとして横磁場Isingモデルを用いた1ステップのTrotter化リザーバー進化を使用。
• リザーバ出力に対して線形回帰でリードアウト重みを学習し二乗誤差を最小化。
• ノイズなし・ノイズを伴うシミュレーション・実機ハードウェア条件でTD-QELMを従来のQRCおよび線形リードアウトと比較する。
• NARMA10タスクの評価指標としてNMSEを用い、データ点数M=5000、ワッシュアウト10%、訓練70%、テスト20%で評価する。

実験結果

リサーチクエスチョン

• RQ1 TD-QELMはNISQデバイス上で時系列タスクの回路深さと計算を2次スケーリングから線形スケーリングへ削減できるか。
• RQ2 時刻遅延入力の並列エンコードは標準QRCと比較して予測精度とノイズ耐性を改善するか。
• RQ3 理想的条件・シミュレーションノイズ・実機条件でNARMA10ベンチマークに対するTD-QELMの性能はどうか。
• RQ4 リードアウト次元の増加がTD-QELMの性能に与える影響はQRCおよび線形モデルと比較してどうか？

主な発見

N_R	TD-QELM NMSE	QRC NMSE	LR NMSE
30	9.83e-4	3.33e-3	7.47e-4
60	4.55e-4	2.73e-3	7.38e-4
120	3.08e-4	2.06e-3	7.58e-4
300	2.68e-4	1.85e-3	8.34e-4
600	2.73e-4	1.59e-3	1.04e-3

• TD-QELMは時系列長に対して計算コストをO(M)の線形に抑え、QRCのO(M^2)に対抗する。
• TD-QELMはノイズ条件と長い入力列に対しても一貫してQRCより低いNMSEを達成する。
• リードアウト次元を増やすとNMSEが改善され、TD-QELMはQRCを上回り、高いN_RでLRを凌ぐ。
• ハードウェア上では入力長が増加してもTD-QELMは安定した性能を維持する一方、QRCはノイズ蓄積により劣化する。
• ハードウェア実験では現実的なノイズ下でTD-QELMがQRCを上回ることが示され、ノイズが性能を高める場合（ノイズ支援学習）もある。