PulseAugur
中
实时 18:08:46
English(EN) Fixed-Reservoir vs Variational Quantum Architectures for Chaotic Dynamics: Benchmarking QRC and QPINN on the Lorenz System

量子蓄水池计算在混沌动力学预测方面优于 QPINN

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员对两种量子机器学习架构——量子蓄水池计算 (QRC) 和量子物理信息神经网络 (QPINN)——在预测混沌时间序列数据方面的性能进行了基准测试。在洛伦兹系统上，QRC 表现出显著优越的性能，其均方误差比 QPINN 低 81%，训练速度比 QPINN 快约 52,000 倍。研究表明，QRC 的固定式蓄水池设计是其在当前规模下取得优势的关键，优于受限于容量和存在竞争性损失项而非 barren plateaus 的变分方法。 AI

影响 表明固定式蓄水池量子架构可能为近期量子设备上的混沌时间序列预测提供更有效的途径。

排序理由 学术论文，在特定基准上比较了两种量子机器学习架构。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

量子蓄水池计算在混沌动力学预测方面优于 QPINN

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tushar Pandey ·

    固定储层与变分量子架构在混沌动力学中的应用：在洛伦兹系统上对 QRC 和 QPINN 进行基准测试

    arXiv:2604.23743v1 Announce Type: cross Abstract: Deploying quantum machine learning on NISQ devices requires architectures where training overhead does not negate computational advantages. We systematically compare two quantum approaches for chaotic time-series prediction on the…

相关实体

相关话题