論文の概要: Reinforcement Learning with Quantum Variational Circuits

• arxiv url: http://arxiv.org/abs/2008.07524v3
• Date: Fri, 28 Aug 2020 06:54:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 20:53:53.439938
• Title: Reinforcement Learning with Quantum Variational Circuits
• Title（参考訳）: 量子変分回路を用いた強化学習
• Authors: Owen Lockwood and Mei Si
• Abstract要約: この研究は、強化学習問題を促進する量子コンピューティングの可能性を探るものである。 具体的には、量子機械学習の一形態である量子変分回路の使用について検討する。 その結果、ハイブリッドおよび純粋量子変動回路は、より小さいパラメータ空間で強化学習タスクを解くことができることを示した。
• 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 development of quantum computational techniques has advanced greatly in recent years, parallel to the advancements in techniques for deep reinforcement learning. This work explores the potential for quantum computing to facilitate reinforcement learning problems. Quantum computing approaches offer important potential improvements in time and space complexity over traditional algorithms because of its ability to exploit the quantum phenomena of superposition and entanglement. Specifically, we investigate the use of quantum variational circuits, a form of quantum machine learning. We present our techniques for encoding classical data for a quantum variational circuit, we further explore pure and hybrid quantum algorithms for DQN and Double DQN. Our results indicate both hybrid and pure quantum variational circuit have the ability to solve reinforcement learning tasks with a smaller parameter space. These comparison are conducted with two OpenAI Gym environments: CartPole and Blackjack, The success of this work is indicative of a strong future relationship between quantum machine learning and deep reinforcement learning.
• Abstract（参考訳）: 量子計算技術の発達は近年大きく進展しており、深層強化学習技術の進歩と並行している。 この研究は、強化学習問題を促進する量子コンピューティングの可能性を探るものである。 量子コンピューティングアプローチは、重ね合わせや絡み合いの量子現象を活用できるため、従来のアルゴリズムよりも時間と空間の複雑さが大幅に向上する可能性がある。 具体的には,量子機械学習の一形態である量子変分回路の利用について検討する。 量子変分回路のための古典データを符号化する手法を提示し、dqnとdouble dqnの純およびハイブリッド量子アルゴリズムをさらに検討する。 この結果から,ハイブリッド回路と純量子変動回路の両方が,より小さいパラメータ空間で強化学習タスクを解くことができることがわかった。 これらの比較は、openaiのジム環境であるcartpoleとblackjackで行われ、この研究の成功は、量子機械学習と深層強化学習の間の強力な未来関係を示している。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Circuit Partitioning for Multi-Core Quantum Architectures with Deep Reinforcement Learning [3.65246419631361]
  スケーラビリティ問題を解決するために,マルチコア量子アーキテクチャを提案する。 これらの課題の1つは、量子コンピュータの異なるコアに適合するように量子アルゴリズムを適用することである。 本稿では,Deep Reinforcement Learning を用いた回路分割手法を提案する。
  論文  参考訳（メタデータ） (2024-01-31T16:33:12Z)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Time-Optimal Quantum Driving by Variational Circuit Learning [2.9582851733261286]
  ディジタル量子シミュレーションとハイブリッド回路学習は、量子最適制御の新しい可能性を開く。 有限個の量子ビットを持つ量子デバイス上で、捕捉された量子粒子の波束展開をシミュレートする。 本手法の誤差に対する堅牢性について考察し,回路にバレンプラトーが存在しないことを示す。
  論文  参考訳（メタデータ） (2022-11-01T11:53:49Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Quantum neural networks force fields generation [0.0]
  量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。 量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
  論文  参考訳（メタデータ） (2022-03-09T12:10:09Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum Geometric Machine Learning for Quantum Circuits and Control [78.50747042819503]
  我々は、量子幾何学的制御問題に対するディープラーニングの適用をレビューし、拡張する。 量子回路合成問題における時間-最適制御の強化について述べる。 我々の研究結果は、時間-最適制御問題に対する機械学習と幾何学的手法を組み合わせた量子制御と量子情報理論の研究者にとって興味深いものである。
  論文  参考訳（メタデータ） (2020-06-19T19:12:14Z)

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。