储备池计算 - 版本历史

薄荷：/* 神经网络（Neural Network） */

2022-06-26T10:27:23Z

神经网络（Neural Network）

2022年6月19日 (日) 03:12 薄荷

2022-06-19T03:12:58Z

薄荷：/* 相互作用的量子谐振子的高斯态 */

2022-06-19T03:06:26Z

相互作用的量子谐振子的高斯态

2022年6月19日 (日) 02:58 薄荷

2022-06-19T02:58:10Z

显示更改

2022年6月6日 (一) 07:49 1210080212

2022-06-06T07:49:24Z

显示更改

2022年6月6日 (一) 07:44 1210080212

2022-06-06T07:44:31Z

显示更改

2022年6月6日 (一) 07:38 1210080212

2022-06-06T07:38:21Z

2022年6月6日 (一) 07:36 1210080212

2022-06-06T07:36:15Z

1210080212：/* = = 相互作用量子谐振子的高斯态 = = */

2022-06-06T02:37:40Z

= = 相互作用量子谐振子的高斯态 = =

1210080212：/* Reservoir computing on gate-based near-term superconducting quantum computers */

2022-06-06T02:23:41Z

Reservoir computing on gate-based near-term superconducting quantum computers

←上一版本		2022年6月26日 (日) 10:27的版本
第126行：		第126行：

	----		----
−	~~本中文词条由神经动力学模型读书会词条梳理志愿者1210080212翻译，~~[[用户:薄荷\|薄荷]]编辑，如有问题，欢迎在讨论页面留言。	+	本中文词条由周昌松老师提供，由神经动力学模型读书会词条梳理志愿者1210080212翻译，[[用户:薄荷\|薄荷]]编辑，如有问题，欢迎在讨论页面留言。

←上一版本		2022年6月19日 (日) 03:12的版本
第95行：		第95行：
	* [http://www.nature.com/ncomms/journal/v4/n1/full/ncomms2368.html All-optical Reservoir Computing], Nature Communications 2013		* [http://www.nature.com/ncomms/journal/v4/n1/full/ncomms2368.html All-optical Reservoir Computing], Nature Communications 2013
	* [http://www.mitpressjournals.org/doi/10.1162/NECO_a_00694#.WL4P9iHyvIo Memristor Models for Machine learning], Neural Computation 2014 [https://arxiv.org/abs/1406.2210 arxiv]		* [http://www.mitpressjournals.org/doi/10.1162/NECO_a_00694#.WL4P9iHyvIo Memristor Models for Machine learning], Neural Computation 2014 [https://arxiv.org/abs/1406.2210 arxiv]
		+
		+
		+	==集智推荐==
		+	===集智课程===
		+	====[https://campus.swarma.org/course/4440 循环神经网络的动力学平均场理论]====
		+	该读书会将从经典的最简单的随机神经网络中的混沌开始，介绍统计场论在分析该问题中发挥的关键作用，然后利用统计场论进一步讨论真实大脑脉冲发放数据中隐含的网络临界状态，并探讨该状态在计算功能中发挥的关键作用及其机制。
		+
		+
		+	'''分享大纲'''
		+
		+	* 成对脉冲关联的宽分布；
		+	* 神经活动元统计的平均场理论--系综下的一般性模型；
		+	* 循环神经网络的动力学平均场理论；
		+	* 混沌边缘在机器学习中的应用
		+
		+
		+	====[https://campus.swarma.org/course/1391 神经网络（Neural Network）]====
		+	作为一门人工智能课程，本节课程，我们终于来到神经网络部分。在这一节中，从一个历史发展的角度去看待神经网络，从 1943 年最早提出的感知机模型讲起，分析其局限性，说明引入多层神经网络的必要性，以及经典的 BP 算法。最后从一个实际案例出发，讲解真实场景下，用人工神经网络做预测时，会用到的问题和处理方法。
		+
		+
		+	'''课程大纲'''
		+	* 人工神经网络的工作原理
		+	* 感知机的局限性
		+	* 多层神经网络的必要性
		+	* 梯度反传算法
		+	* 如何用人工神经网络来做预测
		+	* 数据处理方法：类型变量、归一化、分批次训练
		+	* 如何分析一个训练好的人工神经网络

@@ 第64行： / 第64行： @@
 === 类型 ===
 ==== 相互作用的量子谐振子的高斯态 ====
-高斯态是连续变量量子系统的一类典型态。<ref name=":20" />尽管它们现在可以在最先进的光学平台上创建和操作，这些平台对去相干具有天然的鲁棒性<ref name=":21">{{Cite journal|last1=Roslund|first1=Jonathan|last2=de Araújo|first2=Renné Medeiros|last3=Jiang|first3=Shifeng|last4=Fabre|first4=Claude|last5=Treps|first5=Nicolas|date=2013-12-15|title=Wavelength-multiplexed quantum networks with ultrafast frequency combs|url=https://www.nature.com/articles/nphoton.2013.340|journal=Nature Photonics|language=en|volume=8|issue=2|pages=109–112|doi=10.1038/nphoton.2013.340|arxiv=1307.1216|s2cid=2328402|issn=1749-4893}}</ref>，但众所周知，它们对于通用量子计算来说是不够的，因为保持状态的高斯性质的变换是线性的。<ref name=":22">{{Cite journal|last1=Bartlett|first1=Stephen D.|last2=Sanders|first2=Barry C.|last3=Braunstein|first3=Samuel L.|last4=Nemoto|first4=Kae|date=2002-02-14|title=Efficient Classical Simulation of Continuous Variable Quantum Information Processes|url=https://link.aps.org/doi/10.1103/PhysRevLett.88.097904|journal=Physical Review Letters|volume=88|issue=9|pages=097904|doi=10.1103/PhysRevLett.88.097904|pmid=11864057|arxiv=quant-ph/0109047|bibcode=2002PhRvL..88i7904B|s2cid=2161585}}</ref>正常情况下，线性动力学也不足以进行非平凡的储层计算。然而，通过考虑一个由相互作用的量子谐振子组成的网络，并通过周期性的振子子集的状态重置注入输入，可以将这种动力学应用于储备池计算目的。选择一个合适的振荡器子集的状态如何取决于输入，其余振荡器的观测量可以成为非线性函数的输入适合于储备池计算; 事实上，由于这些函数的性质，甚至通用储备池计算成为可能，通过结合观测量和一个多项式读出函数。<ref name=":5" />原则上，这种储备池计算机可以通过受控的多模光学参量过程实现<ref name=":23">{{Cite journal|last1=Nokkala|first1=J.|last2=Arzani|first2=F.|last3=Galve|first3=F.|last4=Zambrini|first4=R.|last5=Maniscalco|first5=S.|last6=Piilo|first6=J.|last7=Treps|first7=N.|last8=Parigi|first8=V.|date=2018-05-09|title=Reconfigurable optical implementation of quantum complex networks|url=https://doi.org/10.1088%2F1367-2630%2Faabc77|journal=New Journal of Physics|language=en|volume=20|issue=5|pages=053024|doi=10.1088/1367-2630/aabc77|arxiv=1708.08726|bibcode=2018NJPh...20e3024N|s2cid=119091176|issn=1367-2630}}</ref>，但是从系统中有效地提取输出是一个挑战，特别是在必须考虑测量反作用的量子体制中。
+高斯态是连续变量量子系统的一类典型态。尽管它们现在可以在最先进的光学平台上创建和操作，这些平台对去相干具有天然的鲁棒性<ref name=":21">{{Cite journal|last1=Roslund|first1=Jonathan|last2=de Araújo|first2=Renné Medeiros|last3=Jiang|first3=Shifeng|last4=Fabre|first4=Claude|last5=Treps|first5=Nicolas|date=2013-12-15|title=Wavelength-multiplexed quantum networks with ultrafast frequency combs|url=https://www.nature.com/articles/nphoton.2013.340|journal=Nature Photonics|language=en|volume=8|issue=2|pages=109–112|doi=10.1038/nphoton.2013.340|arxiv=1307.1216|s2cid=2328402|issn=1749-4893}}</ref>，但众所周知，它们对于通用量子计算来说是不够的，因为保持状态的高斯性质的变换是线性的。<ref name=":22">{{Cite journal|last1=Bartlett|first1=Stephen D.|last2=Sanders|first2=Barry C.|last3=Braunstein|first3=Samuel L.|last4=Nemoto|first4=Kae|date=2002-02-14|title=Efficient Classical Simulation of Continuous Variable Quantum Information Processes|url=https://link.aps.org/doi/10.1103/PhysRevLett.88.097904|journal=Physical Review Letters|volume=88|issue=9|pages=097904|doi=10.1103/PhysRevLett.88.097904|pmid=11864057|arxiv=quant-ph/0109047|bibcode=2002PhRvL..88i7904B|s2cid=2161585}}</ref>正常情况下，线性动力学也不足以进行非平凡的储层计算。然而，通过考虑一个由相互作用的量子谐振子组成的网络，并通过周期性的振子子集的状态重置注入输入，可以将这种动力学应用于储备池计算目的。选择一个合适的振荡器子集的状态如何取决于输入，其余振荡器的观测量可以成为非线性函数的输入适合于储备池计算; 事实上，由于这些函数的性质，甚至通用储备池计算成为可能，通过结合观测量和一个多项式读出函数。<ref name=":5" />原则上，这种储备池计算机可以通过受控的多模光学参量过程实现<ref name=":23">{{Cite journal|last1=Nokkala|first1=J.|last2=Arzani|first2=F.|last3=Galve|first3=F.|last4=Zambrini|first4=R.|last5=Maniscalco|first5=S.|last6=Piilo|first6=J.|last7=Treps|first7=N.|last8=Parigi|first8=V.|date=2018-05-09|title=Reconfigurable optical implementation of quantum complex networks|url=https://doi.org/10.1088%2F1367-2630%2Faabc77|journal=New Journal of Physics|language=en|volume=20|issue=5|pages=053024|doi=10.1088/1367-2630/aabc77|arxiv=1708.08726|bibcode=2018NJPh...20e3024N|s2cid=119091176|issn=1367-2630}}</ref>，但是从系统中有效地提取输出是一个挑战，特别是在必须考虑测量反作用的量子体制中。
 ==== 2-D 量子点格子 ====

@@ 第39行： / 第39行： @@
 == Classical reservoir computing ==
-= = = 经典的油藏计算 = =
+= = = 经典的储备池计算 = =
 === Reservoir ===
@@ 第58行： / 第58行： @@
 === Readout ===
-= = = 读出 = =
+= = = 读出 层= =
 The readout is a neural network layer that performs a linear transformation on the output of the reservoir.<ref name=":4" /> The weights of the readout layer are trained by analyzing the spatiotemporal patterns of the reservoir after excitation by known inputs, and by utilizing a training method such as a [[linear regression]] or a [[Ridge regression]].<ref name=":4" /> As its implementation depends on spatiotemporal reservoir patterns, the details of readout methods are tailored to each type of reservoir.<ref name=":4" /> For example, the readout for a reservoir computer using a container of liquid as its reservoir might entail observing spatiotemporal patterns on the surface of the liquid.<ref name=":4" />
@@ 第150行： / 第150行： @@
 ==== Gaussian states of interacting quantum harmonic oscillators ====
-= = = 相互作用量子谐振子的高斯态 = = =
+= = = 相互作用的量子谐振子的高斯态 = = =
 Gaussian states are a paradigmatic class of states of [[Continuous-variable quantum information|continuous variable quantum systems]].<ref>{{cite arXiv|last1=Ferraro|first1=Alessandro|last2=Olivares|first2=Stefano|last3=Paris|first3=Matteo G. A.|date=2005-03-31|title=Gaussian states in continuous variable quantum information|eprint=quant-ph/0503237}}</ref> Although they can nowadays be created and manipulated in, e.g, state-of-the-art optical platforms,<ref>{{Cite journal|last1=Roslund|first1=Jonathan|last2=de Araújo|first2=Renné Medeiros|last3=Jiang|first3=Shifeng|last4=Fabre|first4=Claude|last5=Treps|first5=Nicolas|date=2013-12-15|title=Wavelength-multiplexed quantum networks with ultrafast frequency combs|url=https://www.nature.com/articles/nphoton.2013.340|journal=Nature Photonics|language=en|volume=8|issue=2|pages=109–112|doi=10.1038/nphoton.2013.340|arxiv=1307.1216|s2cid=2328402|issn=1749-4893}}</ref> naturally robust to [[Quantum decoherence|decoherence]], it is well-known that they are not sufficient for, e.g., universal [[quantum computing]] because transformations that preserve the Gaussian nature of a state are linear.<ref>{{Cite journal|last1=Bartlett|first1=Stephen D.|last2=Sanders|first2=Barry C.|last3=Braunstein|first3=Samuel L.|last4=Nemoto|first4=Kae|date=2002-02-14|title=Efficient Classical Simulation of Continuous Variable Quantum Information Processes|url=https://link.aps.org/doi/10.1103/PhysRevLett.88.097904|journal=Physical Review Letters|volume=88|issue=9|pages=097904|doi=10.1103/PhysRevLett.88.097904|pmid=11864057|arxiv=quant-ph/0109047|bibcode=2002PhRvL..88i7904B|s2cid=2161585}}</ref> Normally, linear dynamics would not be sufficient for nontrivial reservoir computing either. It is nevertheless possible to harness such dynamics for reservoir computing purposes by considering a network of interacting [[quantum harmonic oscillator]]s and injecting the input by periodical state resets of a subset of the oscillators. With a suitable choice of how the states of this subset of oscillators depends on the input, the observables of the rest of the oscillators can become nonlinear functions of the input suitable for reservoir computing; indeed, thanks to the properties of these functions, even universal reservoir computing becomes possible by combining the observables with a polynomial readout function.<ref name=":5" /> In principle, such reservoir computers could be implemented with controlled multimode [[Optical parametric oscillator|optical parametric processes]],<ref>{{Cite journal|last1=Nokkala|first1=J.|last2=Arzani|first2=F.|last3=Galve|first3=F.|last4=Zambrini|first4=R.|last5=Maniscalco|first5=S.|last6=Piilo|first6=J.|last7=Treps|first7=N.|last8=Parigi|first8=V.|date=2018-05-09|title=Reconfigurable optical implementation of quantum complex networks|url=https://doi.org/10.1088%2F1367-2630%2Faabc77|journal=New Journal of Physics|language=en|volume=20|issue=5|pages=053024|doi=10.1088/1367-2630/aabc77|arxiv=1708.08726|bibcode=2018NJPh...20e3024N|s2cid=119091176|issn=1367-2630}}</ref> however efficient extraction of the output from the system is challenging especially in the quantum regime where [[Measurement in quantum mechanics#State change due to measurement|measurement back-action]] must be taken into account.
@@ 第190行： / 第190行： @@
 * Extreme learning machines
-= = = = 深度学习 = = 极限学习机器
+深度学习
 == References ==

←上一版本		2022年6月6日 (一) 07:36的版本
第1行：		第1行：
−	~~此词条暂由彩云小译翻译，翻译字数共1698，未经人工整理和审校，带来阅读不便，请见谅。~~	+	此词条暂由神经动力学模型读书会词条梳理志愿者1210080212翻译，未经专家审核，带来阅读不便，请见谅。

	{{Short description\|A type of recurrent neural network with random and non-trainable internal structure}}		{{Short description\|A type of recurrent neural network with random and non-trainable internal structure}}

@@ 第156行： / 第156行： @@
 Gaussian states are a paradigmatic class of states of continuous variable quantum systems. Although they can nowadays be created and manipulated in, e.g, state-of-the-art optical platforms, naturally robust to decoherence, it is well-known that they are not sufficient for, e.g., universal quantum computing because transformations that preserve the Gaussian nature of a state are linear. Normally, linear dynamics would not be sufficient for nontrivial reservoir computing either. It is nevertheless possible to harness such dynamics for reservoir computing purposes by considering a network of interacting quantum harmonic oscillators and injecting the input by periodical state resets of a subset of the oscillators. With a suitable choice of how the states of this subset of oscillators depends on the input, the observables of the rest of the oscillators can become nonlinear functions of the input suitable for reservoir computing; indeed, thanks to the properties of these functions, even universal reservoir computing becomes possible by combining the observables with a polynomial readout function. In principle, such reservoir computers could be implemented with controlled multimode optical parametric processes, however efficient extraction of the output from the system is challenging especially in the quantum regime where measurement back-action must be taken into account.
-高斯态是连续变量量子系统的一类典型态。尽管它们现在可以在诸如最先进的光学平台上创建和操作，这些平台对去相干具有天然的鲁棒性，但众所周知，它们对于诸如通用量子计算来说是不够的，因为保持状态的高斯性质的变换是线性的。正常情况下，线性动力学也不足以进行非平凡的储层计算。然而，通过考虑一个由相互作用的量子谐振子组成的网络，并通过周期性的振子子集的状态重置注入输入，可以将这种动力学应用于水库计算目的。选择一个合适的振荡器子集的状态如何取决于输入，其余振荡器的观测量可以成为非线性函数的输入适合于水库计算; 事实上，由于这些函数的性质，甚至通用水库计算成为可能，通过结合观测量和一个多项式读出函数。原则上，这种蓄电池计算机可以通过受控的多模光学参量过程实现，但是从系统中有效地提取输出是一个挑战，特别是在必须考虑测量反作用的量子体制中。
+高斯态是连续变量量子系统的一类典型态。尽管它们现在可以在最先进的光学平台上创建和操作，这些平台对去相干具有天然的鲁棒性，但众所周知，它们对于通用量子计算来说是不够的，因为保持状态的高斯性质的变换是线性的。正常情况下，线性动力学也不足以进行非平凡的储层计算。然而，通过考虑一个由相互作用的量子谐振子组成的网络，并通过周期性的振子子集的状态重置注入输入，可以将这种动力学应用于储备池计算目的。选择一个合适的振荡器子集的状态如何取决于输入，其余振荡器的观测量可以成为非线性函数的输入适合于储备池计算; 事实上，由于这些函数的性质，甚至通用储备池计算成为可能，通过结合观测量和一个多项式读出函数。原则上，这种储备池计算机可以通过受控的多模光学参量过程实现，但是从系统中有效地提取输出是一个挑战，特别是在必须考虑测量反作用的量子体制中。
 ==== 2-D quantum dot lattices ====
@@ 第165行： / 第165行： @@
 -D 量子点格子
-在这种结构中，格点之间的随机耦合赋予了蓄电池处理器固有的“黑盒”属性。然后通过一个入射光场激发储存器，作为输入。读出以格点的职业数的形式出现，这是输入的自然非线性函数。
+在这种结构中，格点之间的随机耦合赋予了储备池处理器固有的“黑盒”属性。然后通过一个入射光场激发储存器，作为输入。读出以格点的职业数的形式出现，这是输入的自然非线性函数。
 ==== Nuclear spins in a molecular solid ====
@@ 第172行： / 第172行： @@
 In this architecture, quantum mechanical coupling between spins of neighboring atoms within the molecular solid provides the non-linearity required to create the higher-dimensional computational space. The reservoir is then excited by radiofrequency electromagnetic radiation tuned to the resonance frequencies of relevant nuclear spins. Readout occurs by measuring the nuclear spin states.
-分子固体中的核自旋在这种结构中，分子固体中相邻原子自旋之间的量子力学耦合提供了创造高维计算空间所需的非线性。然后，该蓄电池被调谐到相关核自旋共振频率的射频电磁辐射所激发。通过测量原子核的自旋态就可以读出数据。
+分子固体中的核自旋在这种结构中，分子固体中相邻原子自旋之间的量子力学耦合提供了创造高维计算空间所需的非线性。然后，该储备池被调谐到相关核自旋共振频率的射频电磁辐射所激发。通过测量原子核的自旋态就可以读出数据。
 ==== Reservoir computing on gate-based near-term superconducting quantum computers ====
@@ 第181行： / 第181行： @@
 基于门的近期超导量子计算机上的储备池计算
-量子计算最流行的模型是基于门的模型，量子计算是通过量子计算机量子比特上的幺正量子门顺序应用来执行的。在基于栅极的量子计算机上实现蓄电池计算的理论，并在 IBM 超导带噪中级量子计算机(NISQ)上进行了原理论证。
+量子计算最流行的模型是基于门的模型，量子计算是通过量子计算机量子比特上的幺正量子门顺序应用来执行的。在基于栅极的量子计算机上实现储备池计算的理论，并在 IBM 超导带噪中级量子计算机(NISQ)上进行了原理论证。
 == See also ==