Fugu-MT 論文翻訳(概要): Reinforcement Learning assisted Quantum Optimization

論文の概要: Reinforcement Learning assisted Quantum Optimization

arxiv url: http://arxiv.org/abs/2004.12323v1
Date: Sun, 26 Apr 2020 09:19:37 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 02:12:38.241135
Title: Reinforcement Learning assisted Quantum Optimization
Title（参考訳）: 強化学習支援量子最適化
Authors: Matteo M. Wauters, Emanuele Panizon, Glen B. Mbeng, Giuseppe E. Santoro
Abstract要約: 四項近似最適化アルゴリズム(QAOA)におけるフィードバック量子制御のための強化学習(RL)手法を提案する。障害の存在下では、RL方式により、小さなサンプルでトレーニングを行え、より大きなシステムでうまく移行できることが示される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a reinforcement learning (RL) scheme for feedback quantum control within the quan-tum approximate optimization algorithm (QAOA). QAOA requires a variational minimization for states constructed by applying a sequence of unitary operators, depending on parameters living ina highly dimensional space. We reformulate such a minimum search as a learning task, where a RL agent chooses the control parameters for the unitaries, given partial information on the system. We show that our RL scheme finds a policy converging to the optimal adiabatic solution for QAOA found by Mbeng et al. arXiv:1906.08948 for the translationally invariant quantum Ising chain. In presence of disorder, we show that our RL scheme allows the training part to be performed on small samples, and transferred successfully on larger systems.
Abstract（参考訳）: quan-tum近似最適化アルゴリズム(qaoa)におけるフィードバック量子制御のための強化学習(rl)方式を提案する。 QAOAは、高次元空間に居住するパラメータに依存するユニタリ作用素の列を適用した状態に対して、変動最小化を必要とする。学習タスクとして最小限の探索を再構成し、RLエージェントがシステムの部分的な情報に基づいて、単位の制御パラメータを選択する。我々の RL スキームは Mbeng et al. arXiv:1906.08948 で発見された QAOA の最適断熱解に収束する方針を導出した。障害の存在下では,我々のrlスキームは,小さなサンプルでトレーニング部を実行し,より大きなシステムでうまく転送できることを示す。

関連論文リスト

Distributed Quantum Approximate Optimization Algorithm on Integrated High-Performance Computing and Quantum Computing Systems for Large-Scale Optimization [1.7099366779394252]
量子近似最適化アルゴリズム(QAOA)は、ゲートベースの量子コンピューティングシステムに量子スピードアップを提供することで最適化問題を解決することを約束している。本稿では,分散QAOA(DQAOA)を提案する。我々はAL-DQAOAを用いてフォトニック構造を最適化することに成功し、ゲートベースの量子コンピューティングを用いた実世界の最適化問題を解くことは我々の戦略で実現可能であることを示唆した。
論文参考訳（メタデータ） (2024-07-29T17:42:25Z)
Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-04T01:47:37Z)
Provable Reward-Agnostic Preference-Based Reinforcement Learning [61.39541986848391]
PbRL(Preference-based Reinforcement Learning)は、RLエージェントが、軌道上のペアワイドな嗜好に基づくフィードバックを用いてタスクを最適化することを学ぶパラダイムである。本稿では,隠れた報酬関数の正確な学習を可能にする探索軌道を求める理論的報酬非依存PbRLフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-29T15:00:09Z)
Sample-efficient Model-based Reinforcement Learning for Quantum Control [0.2999888908665658]
ノイズの多い時間依存ゲート最適化のためのモデルベース強化学習(RL)手法を提案する。標準モデルフリーRLに比べて,本手法のサンプル複雑性において,桁違いの優位性を示す。提案アルゴリズムは,部分的特徴付き1量子ビット系と2量子ビット系の制御に適している。
論文参考訳（メタデータ） (2023-04-19T15:05:19Z)
Reinforcement Learning Quantum Local Search [0.0]
我々は、量子局所探索(QLS)におけるサブプロブレム選択の改善のためのエージェントを訓練するための強化学習(RL)に基づくアプローチを提案する。提案手法は,完全連結ランダムイジング問題に対するQLSの平均近似比を効果的に向上することを示した。
論文参考訳（メタデータ） (2023-04-13T13:07:19Z)
Exploring Parameter Redundancy in the Unitary Coupled-Cluster Ansatze for Hybrid Variational Quantum Computing [5.9640499950316945]
標準UCCアンサーゼのパラメータの数は、システムサイズに関して好ましくないスケーリングを示している。 UCCアンサーゼのいくつかの変種を、より優れたスケーリングで提案する試みがなされている。本稿では,一元結合クラスタシングルとダブルの合成におけるパラメータ冗長性について検討する。
論文参考訳（メタデータ） (2023-01-24T05:36:37Z)
Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
論文参考訳（メタデータ） (2021-07-11T10:56:24Z)
Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文参考訳（メタデータ） (2021-03-01T22:55:48Z)
Reinforcement Learning for Many-Body Ground-State Preparation Inspired by Counterdiabatic Driving [2.5614220901453333]
CD-QAOAは量子多体システム向けに設計され、強化学習(RL)アプローチを用いて最適化されている。本研究では,アディベートゲージ電位の項を付加的な制御ユニタリの生成元として用いることで,アディベート状態から高速な多体制御を実現することができることを示す。この研究は、量子多体制御のために、ディープラーニングによる最近の成功を取り入れる道を開いた。
論文参考訳（メタデータ） (2020-10-07T21:13:22Z)
Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文参考訳（メタデータ） (2020-10-01T18:14:11Z)
Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文参考訳（メタデータ） (2020-03-12T19:56:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。