論文の概要: Reinforcement Learning with Neural Networks for Quantum Multiple Hypothesis Testing

• arxiv url: http://arxiv.org/abs/2010.08588v3
• Date: Thu, 20 Jan 2022 03:11:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-28 22:04:27.994179
• Title: Reinforcement Learning with Neural Networks for Quantum Multiple Hypothesis Testing
• Title（参考訳）: 量子多重仮説テストのためのニューラルネットワークによる強化学習
• Authors: Sarah Brandsen, Kevin D. Stubbs, Henry D. Pfister
• Abstract要約: ニューラルネットワーク(RLNN)による強化学習は、最近多くの問題に対して大きな可能性を証明した。 我々は RLNN を用いて, 実験的に実現可能な局所適応型測定手法を提案する。 我々の知る限りでは、局所的プロトコルと集合的プロトコルの間に大きなギャップがある、最も単純な状態集合である。
• 参考スコア（独自算出の注目度）: 8.006109507455038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning with neural networks (RLNN) has recently demonstrated great promise for many problems, including some problems in quantum information theory. In this work, we apply RLNN to quantum hypothesis testing and determine the optimal measurement strategy for distinguishing between multiple quantum states $\{ \rho_{j} \}$ while minimizing the error probability. In the case where the candidate states correspond to a quantum system with many qubit subsystems, implementing the optimal measurement on the entire system is experimentally infeasible. We use RLNN to find locally-adaptive measurement strategies that are experimentally feasible, where only one quantum subsystem is measured in each round. We provide numerical results which demonstrate that RLNN successfully finds the optimal local approach, even for candidate states up to 20 subsystems. We additionally demonstrate that the RLNN strategy meets or exceeds the success probability for a modified locally greedy approach in each random trial. While the use of RLNN is highly successful for designing adaptive local measurement strategies, in general a significant gap can exist between the success probability of the optimal locally-adaptive measurement strategy and the optimal collective measurement. We build on previous work to provide a set of necessary and sufficient conditions for collective protocols to strictly outperform locally adaptive protocols. We also provide a new example which, to our knowledge, is the simplest known state set exhibiting a significant gap between local and collective protocols. This result raises interesting new questions about the gap between theoretically optimal measurement strategies and practically implementable measurement strategies.
• Abstract（参考訳）: ニューラルネットワークを用いた強化学習(RLNN)は、最近、量子情報理論のいくつかの問題を含む多くの問題に対して大きな可能性を証明した。 本研究では、RLNNを量子仮説テストに適用し、誤差確率を最小化しつつ、複数の量子状態 $\{ \rho_{j} \}$ を区別するための最適測定戦略を決定する。 候補状態が多くの量子ビットサブシステムを持つ量子システムに対応する場合、システム全体の最適測定を実装することは実験的に不可能である。 我々はRLNNを用いて、各ラウンドで1つの量子サブシステムしか測定できない実験可能な局所適応測定戦略を探索する。 RLNNは最大20のサブシステムに対して,最適な局所的アプローチを実現できることを示す数値結果を提供する。 さらに, rlnn戦略は, 各ランダム試行において, 局所的欲望の修正アプローチの成功確率を満たしているか, または超えていることを示す。 RLNNは適応的な局所測定戦略を設計する上で高い効果があるが、一般に、最適局所適応測定戦略の成功確率と最適集団測定との間には大きなギャップが存在する。 我々は、局所適応プロトコルを厳密に上回る集合プロトコルに必要な、十分な条件を提供するために、以前の作業に基づいて構築する。 我々はまた、我々の知る限り、ローカルプロトコルと集合プロトコルの間に大きなギャップを示す最も単純な状態集合である新しい例も提示する。 この結果は、理論上最適な測定戦略と実際に実施可能な測定戦略とのギャップに関する興味深い新しい疑問を提起する。

関連論文リスト

• Local certification of unitary operations [1.099532646524593]
  ユニタリ量子チャネルの局所的な証明は、量子仮説テストの自然な拡張である。 最適局所戦略は補助的システムの使用を必要とせず,一方通行の古典的通信を単一ラウンドで行うだけでよいことを示す。
  論文  参考訳（メタデータ） (2023-12-28T14:23:59Z)
• Combining Multi-Objective Bayesian Optimization with Reinforcement Learning for TinyML [4.2019872499238256]
  マルチオブジェクトベイズ最適化(MOBOpt)に基づくマイクロコントローラ(TinyML)にディープニューラルネットワークをデプロイするための新しい戦略を提案する。 本手法は,DNNの予測精度,メモリ消費量,計算複雑性のトレードオフを効率的に検出することを目的としている。
  論文  参考訳（メタデータ） (2023-05-23T14:31:52Z)
• Metric Residual Networks for Sample Efficient Goal-conditioned Reinforcement Learning [52.59242013527014]
  ゴール条件強化学習(GCRL)は、現実世界の幅広い応用の可能性を秘めている。 サンプル効率は、GCRLにとって最も重要であり、デフォルトでは、エージェントはその目標に達するとのみ報酬を受ける。 GCRLのための新しいニューラルアーキテクチャを導入し、一般的なモノリシックネットワークアーキテクチャよりもはるかに優れたサンプリング効率を実現する。
  論文  参考訳（メタデータ） (2022-08-17T08:04:41Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• A Simple Approach to Improve Single-Model Deep Uncertainty via Distance-Awareness [33.09831377640498]
  本研究では,1つの決定論的表現に基づく1つのネットワークの不確実性向上手法について検討する。 本稿では,現代のDNNにおける距離認識能力を向上させる簡易な手法として,スペクトル正規化ニューラルガウス過程(SNGP)を提案する。 ビジョンと言語理解のベンチマークスイートでは、SNGPは予測、キャリブレーション、ドメイン外検出において、他の単一モデルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-05-01T05:46:13Z)
• Local simultaneous state discrimination [17.243339961137647]
  量子状態判別は、量子情報理論において研究される最も基本的な問題の1つである。 本研究では,このタスクの新たなバリエーションとして,局所的同時状態識別(Local Simultaneous State Discrimination)を提案する。 それ自体は興味深いが、量子暗号においても問題が発生する。
  論文  参考訳（メタデータ） (2021-11-01T19:03:37Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• Experimental multi-state quantum discrimination through a Quantum network [63.1241529629348]
  我々は,ネットワーク構造に特徴付けられる受信機と情報処理の動的処理に基づいて,最小エラーシナリオにおいて2つの識別方式を実験的に実装した。 第1のプロトコルはバイナリ最適識別を実現し、第2のプロトコルは、ネットワークライク受信機の動的特徴に依存するマルチステート量子識別に対する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2021-07-21T09:26:48Z)
• Local AdaGrad-Type Algorithm for Stochastic Convex-Concave Minimax Problems [80.46370778277186]
  大規模凸凹型ミニマックス問題は、ゲーム理論、堅牢なトレーニング、生成的敵ネットワークのトレーニングなど、多くの応用で発生する。 通信効率のよい分散外グレードアルゴリズムであるLocalAdaSientを開発した。 サーバモデル。 等質な環境と異質な環境の両方において,その有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-18T09:42:05Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。