Reservoir computing with quantum memristors

Show simple item record

dc.contributor Zambrini, Roberta
dc.contributor.author Montesinos Capacete, Daniel
dc.date 2024
dc.date.accessioned 2025-08-25T07:49:56Z
dc.date.available 2025-08-25T07:49:56Z
dc.date.issued 2024-09-20
dc.identifier.uri http://hdl.handle.net/11201/171075
dc.description.abstract [eng] In this master’s thesis, a quantum photonic reservoir computing framework was developed by adapting the photonic quantum memristor design from Michele Spagnolo et al. [1]. The design we propose improves memory and nonlinear dynamics by incorporating an additional optical mode and employing dual-rail encoding to introduce the injection of previous outputs. Starting with single memristors, the system is scaled through spatial multiplexing with random masks and varying configurations for each unit. This approach enhances short-term memory, leading to better accuracy for nonlinear tasks such as forecasting the Lorenz system. Simulations indicate that the system achieves high accuracy with fewer training data points compared to traditional methods. Future work should address the linear scaling limitation of independent units by designing photonic systems that exploit the exponential growth of quantum internal degrees of freedom. en
dc.description.abstract [spa] En esta tesis de máster, se desarrolló un marco de computación de reservorio fotónico cuántico mediante la modificación del diseño del memristor cuántico fotónico de Michele Spagnolo et al. [1]. El diseño que proponemos mejora la memoria y la dinámica no lineal al incorporar un modo óptico adicional y utilizar la codificación de doble riel para añadir para introducir la inyección de salidas anteriores. Comenzando con memristores individuales, el sistema se escala utilizando unidades independientes usando máscaras aleatorias y diferentes configuraciones para cada uno. Esto aumenta la memoria, mejorando la precisión para tareas no lineales como la predicción del sistema de Lorenz. Las simulaciones numéricas muestran que el sistema alcanza alta precisión con menos puntos de entrenamiento en comparación con enfoques tradicionales. Futuras investigaciones deben superar la limitación de escalado lineal aprovechando el crecimiento exponencial de los grados de libertad cuánticos. es
dc.description.abstract [cat] En aquesta tesi de màster, es va desenvolupar un marc de computació de dipòsit fotònic quàntic mitjançant la modificació del disseny del memristor fotònic quàntic de Michele Spagnolo et al. [1]. El disseny proposat millora la memòria i la dinàmica no lineal en incorporar un mode òptic addicional i emprar codificació de doble carril per introduir la injecció de sortides anteriors. Començant amb memristors individuals, el sistema es fa escalar utilitzant unitats independents amb màscares aleatòries i diferents configuracions per a cadascun d’ells. Aquest enfocament augmenta la memòria a curt termini, resultant en una major precisió per a tasques no lineals com la previsió del sistema de Lorenz. Les simulacions numèriques mostren que el sistema aconsegueix una alta precisió amb menys punts d’entrenament en comparació amb els enfocaments tradicionals. El treball futur hauria d’afrontar la limitació d’escalat lineal de les unitats independents mitjançant el disseny de sistemes fotònics que aprofitin el creixement exponencial dels graus de llibertat interns quàntics. ca
dc.format application/pdf
dc.language.iso eng en
dc.publisher Universitat de les Illes Balears
dc.rights all rights reserved
dc.subject 53 - Física ca
dc.subject 537 - Electricitat. Magnetisme. Electromagnetisme ca
dc.subject 538.9 - Física de la matèria condensada ca
dc.subject.other Reservoir computing en
dc.subject.other Beam splitter en
dc.subject.other Quantum memristor en
dc.subject.other Fading memory en
dc.title Reservoir computing with quantum memristors en
dc.type info:eu-repo/semantics/masterThesis ca
dc.type info:eu-repo/semantics/publishedVersion
dc.date.updated 2025-01-22T10:57:06Z
dc.rights.accessRights info:eu-repo/semantics/openAccess


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search Repository


Advanced Search

Browse

My Account

Statistics