論文の概要: A Physical Quantum Agent

• arxiv url: http://arxiv.org/abs/2007.04426v3
• Date: Tue, 2 Mar 2021 05:32:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 23:21:47.785695
• Title: A Physical Quantum Agent
• Title（参考訳）: 物理的量子エージェント
• Authors: Michael. J. Kewming, Sally Shrapnel, Gerard. J. Milburn
• Abstract要約: 我々は光を使って環境の成分を探索し学習する簡単な光学エージェントを提案する。 我々のシナリオでは、量子エージェントは単一光子パルスを用いて世界を探索し、古典的相手は平均光子数1の弱コヒーレントな状態を使用する。 両エージェントの熱力学的挙動を解析し, エージェントの世界の推定値を改善することは, アクチュエータパルスによるセンサ上で行う平均作業量の増加に対応することを示した。
• 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: The concept of an embodied intelligent agent is a key concept in modern artificial intelligence and robotics. Physically, an agent is an open system embedded in an environment that it interacts with through sensors and actuators. It contains a learning algorithm that correlates the sensor and actuator results by learning features about its environment. In this article we present a simple optical agent that uses light to probe and learn components of its environment. In our scenario, the quantum agent outperforms a classical agent: The quantum agent probes the world using single photon pulses, where its classical counterpart uses a weak coherent state with an average photon number equal to one. We analyze the thermodynamic behavior of both agents, showing that improving the agent's estimate of the world corresponds to an increase in average work done on the sensor by the actuator pulse. Thus, our model provides a useful toy model for studying the interface between machine learning, optics, and statistical thermodynamics.
• Abstract（参考訳）: インボディード・インテリジェンス・エージェントの概念は、現代の人工知能とロボティクスにおいて重要な概念である。 物理的には、エージェントはセンサーやアクチュエータを介して相互作用する環境に埋め込まれたオープンシステムである。 センサとその環境に関する特徴を学習することによってセンサとアクチュエータの結果とを関連付ける学習アルゴリズムを含んでいる。 本稿では,光を用いて環境の成分を探索し,学習する簡易な光学エージェントを提案する。 量子エージェントは、単一の光子パルスを用いて世界を探索し、古典的なエージェントは平均光子番号が1に等しい弱いコヒーレントな状態を使用する。 両エージェントの熱力学的挙動を解析し, エージェントの世界の推定値を改善することは, アクチュエータパルスによるセンサ上で行う平均作業量の増加に対応することを示した。 したがって,本モデルは,機械学習,光学,統計熱力学のインタフェースを研究するための有用な玩具モデルを提供する。

関連論文リスト

• Rapid and Automated Alloy Design with Graph Neural Network-Powered LLM-Driven Multi-Agent Systems [0.0]
  マルチエージェントAIモデルは、新しい金属合金の発見を自動化するために使用される。 MLをベースとした原子間ポテンシャルをモデルとした立方晶(bcc)合金のNbMoTa族に着目した。 LLMをベースとしたエージェントの動的協調により、GNNの予測力を相乗化することにより、システムは巨大な合金設計空間を自律的にナビゲートする。
  論文  参考訳（メタデータ） (2024-10-17T17:06:26Z)
• Agent AI: Surveying the Horizons of Multimodal Interaction [83.18367129924997]
  エージェントAI(Agent AI)とは、視覚刺激や言語入力、その他の環境データを知覚できる対話型システムである。 我々は,バーチャルリアリティやシミュレートされたシーンを容易に作成し,仮想環境内に具体化されたエージェントと対話できる未来を構想する。
  論文  参考訳（メタデータ） (2024-01-07T19:11:18Z)
• Neural-Logic Human-Object Interaction Detection [67.4993347702353]
  本稿では,ニューラルロジック推論を利用した新しいHOI検出器であるL OGIC HOIと,実体間の相互作用を推測するTransformerを提案する。 具体的には,バニラトランスフォーマーの自己保持機構を改変し,人間,行動,対象>三重項を推論し,新たな相互作用を構成する。 我々はこれらの2つの特性を一階述語論理で定式化し、それらを連続空間に基底にして、我々のアプローチの学習過程を制約し、性能とゼロショットの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2023-11-16T11:47:53Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)
• QKSA: Quantum Knowledge Seeking Agent [0.0]
  量子知識探索エージェント(QKSA)の実装に向けたモチベーションとコアテーマについて述べる。 QKSAは、古典的および量子力学のモデル化に使用できる一般的な強化学習エージェントである。
  論文  参考訳（メタデータ） (2021-07-03T13:07:58Z)
• Experimental quantum speed-up in reinforcement learning agents [0.17849902073068336]
  強化学習(RL)は人工知能(AI)の重要なパラダイムである 本稿では,エージェントの学習を環境との量子通信チャネルを利用して促進するRL実験について述べる。 我々は,この学習プロトコルを,コンパクトで完全に調整可能な集積ナノフォトニックプロセッサ上に実装する。
  論文  参考訳（メタデータ） (2021-03-10T19:01:12Z)
• Multi-sensory Integration in a Quantum-Like Robot Perception Model [1.0957528713294875]
  量子ライク(QL)アプローチは、知覚、認識、決定処理に本質的に適する記述的機能を提供する。 限定的な知覚能力を有するロボットに対して,QLロボット認識モデルの有効性に関する予備的検討を行った。
  論文  参考訳（メタデータ） (2020-06-29T21:47:33Z)
• Deep active inference agents using Monte-Carlo methods [3.8233569758620054]
  モンテカルロサンプリングを用いた連続状態空間における深部能動推論エージェント構築のためのニューラルアーキテクチャを提案する。 提案手法は,タスク性能を維持しつつ,環境動態を効率的に学習することを可能にする。 その結果、深層能動推論は生物学的にインスパイアされた知的エージェントを開発するための柔軟な枠組みを提供することが示された。
  論文  参考訳（メタデータ） (2020-06-07T15:10:42Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。