ترجمه فارسی مقاله محاسبات مخزن کوانتومی مرتبه بالاتر برای مدل‌های مرتبه کاهش‌یافته غیر مزاحم

چکیده

Forecasting dynamical systems is of importance to numerous real-world applications. When possible, dynamical systems forecasts are constructed based on first-principles-based models such as through the use of differential equations. When these equations are unknown, non-intrusive techniques must be utilized to build predictive models from data alone. Machine learning (ML) methods have recently been used for such tasks. Moreover, ML methods provide the added advantage of significant reductions in time-to-solution for predictions in contrast with first-principle based models. However, many state-of-the-art ML-based methods for forecasting rely on neural networks, which may be expensive to train and necessitate requirements for large amounts of memory. In this work, we propose a quantum mechanics inspired ML modeling strategy for learning nonlinear dynamical systems that provides data-driven forecasts for complex dynamical systems with reduced training time and memory costs. This approach, denoted the quantum reservoir computing technique (QRC), is a hybrid quantum-classical framework employing an ensemble of interconnected small quantum systems via classical linear feedback connections. By mapping the dynamical state to a suitable quantum representation amenable to unitary operations, QRC is able to predict complex nonlinear dynamical systems in a stable and accurate manner. We demonstrate the efficacy of this framework through benchmark forecasts of the NOAA Optimal Interpolation Sea Surface Temperature dataset and compare the performance of QRC to other ML methods.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی سیستم های دینامیکی برای بسیاری از برنامه های کاربردی در دنیای واقعی از اهمیت برخوردار است.در صورت امکان ، پیش بینی سیستم های دینامیکی بر اساس مدل های مبتنی بر اصول اول مانند استفاده از معادلات دیفرانسیل ساخته می شوند.هنگامی که این معادلات ناشناخته هستند ، برای ساخت مدل های پیش بینی کننده به تنهایی باید از تکنیک های غیر تهاجمی استفاده شود.روشهای یادگیری ماشین (ML) اخیراً برای چنین کارهایی استفاده شده است.علاوه بر این ، روشهای ML مزیت اضافه شده از کاهش قابل توجه در زمان به زمان برای پیش بینی ها را در تقابل با مدل های مبتنی بر اصول اول فراهم می کند.با این حال ، بسیاری از روشهای پیشرفته ML برای پیش بینی متکی به شبکه های عصبی هستند که ممکن است برای آموزش و نیاز به نیازهای زیادی برای مقادیر زیادی حافظه باشد.در این کار ، ما یک استراتژی مدل سازی ML با الهام از مکانیک کوانتومی را برای یادگیری سیستم های دینامیکی غیرخطی ارائه می دهیم که پیش بینی های داده محور را برای سیستم های پیچیده دینامیکی با کاهش زمان آموزش و هزینه های حافظه فراهم می کند.این روش ، با بیان تکنیک محاسبات مخزن کوانتومی (QRC) ، یک چارچوب کلاسیک کوانتومی ترکیبی است که از یک گروه از سیستم های کوانتومی کوچک به هم پیوسته از طریق اتصالات بازخورد خطی کلاسیک استفاده می کند.QRC با نقشه برداری از حالت دینامیکی به یک نمایندگی کوانتومی مناسب که قابل استفاده در عملیات واحد است ، قادر به پیش بینی سیستم های دینامیکی پیچیده غیرخطی به روشی پایدار و دقیق است.ما اثربخشی این چارچوب را از طریق پیش بینی های معیار از مجموعه داده های دمای سطح دریای درون یابی NOAA بهینه نشان می دهیم و عملکرد QRC را با سایر روشهای ML مقایسه می کنیم.