論文の概要: Deep reinforcement learning for feedback control in a collective flashing ratchet

• arxiv url: http://arxiv.org/abs/2011.10357v3
• Date: Thu, 25 Mar 2021 02:02:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:32:38.573821
• Title: Deep reinforcement learning for feedback control in a collective flashing ratchet
• Title（参考訳）: 集団点滅ラチェットにおけるフィードバック制御のための深層強化学習
• Authors: Dong-Kyum Kim, Hawoong Jeong
• Abstract要約: 集団点滅ラチェットは、空間周期的、非対称的、時間依存性のオンオフスイッチング電位を用いてブラウン粒子を輸送する。 電流を最大化するためのいくつかのフィードバックポリシーが提案されているが、適度な数の粒子に対して最適なポリシーは発見されていない。 ここでは、深い強化学習を用いて最適なポリシーを見つけ、その結果、適切なニューラルネットワークアーキテクチャで構築されたポリシーが、以前のポリシーより優れていることを示す。
• 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: A collective flashing ratchet transports Brownian particles using a spatially periodic, asymmetric, and time-dependent on-off switchable potential. The net current of the particles in this system can be substantially increased by feedback control based on the particle positions. Several feedback policies for maximizing the current have been proposed, but optimal policies have not been found for a moderate number of particles. Here, we use deep reinforcement learning (RL) to find optimal policies, with results showing that policies built with a suitable neural network architecture outperform the previous policies. Moreover, even in a time-delayed feedback situation where the on-off switching of the potential is delayed, we demonstrate that the policies provided by deep RL provide higher currents than the previous strategies.
• Abstract（参考訳）: 集団点滅ラチェットは、空間周期的、非対称的、時間依存性のオンオフスイッチング電位を用いてブラウン粒子を輸送する。 この系における粒子の純電流は粒子位置に基づくフィードバック制御により著しく増大させることができる。 電流を最大化するためのいくつかのフィードバックポリシーが提案されているが、適度な数の粒子に対して最適なポリシーは発見されていない。 ここでは、最適なニューラルネットワークアーキテクチャで構築されたポリシーが、以前のポリシーより優れていることを示すとともに、最適なポリシーを見つけるために、深層強化学習(RL)を使用します。 さらに、電位のオンオフ切替が遅れた時間遅れフィードバック状況においても、深部RLが提供するポリシが従来の戦略よりも高い電流を提供することを示す。

関連論文リスト

• Fast and reliable entanglement distribution with quantum repeaters: principles for improving protocols using reinforcement learning [0.6249768559720122]
  将来の量子技術は、空間的に分離されたノード間の共有絡み合いのネットワークに依存する。 ノードの線形連鎖に沿った絡み合い分布のための改良されたプロトコル/ポリティシを提供する。
  論文  参考訳（メタデータ） (2023-03-01T19:05:32Z)
• Proximal Policy Optimization for Tracking Control Exploiting Future Reference Information [58.720142291102135]
  本研究では、任意の参照信号に対する近位勾配ポリシー最適化(PPO)の追跡性能を、将来の参照値を組み込んで改善する。 本手法は、単純な駆動列車モデル上でPIコントローラに対して評価される。
  論文  参考訳（メタデータ） (2021-07-20T17:32:50Z)
• Improving Actor-Critic Reinforcement Learning via Hamiltonian Policy [11.34520632697191]
  強化学習(RL)における最適なポリシーの近似は、多くの現実のシナリオでしばしば必要です。 本研究は,ハミルトニアン・モンテカルロ (HMC) を VI で使用したことに触発されて,政策最適化を HMC と統合することを提案する。 提案手法は,従来のポリシー最適化手法よりもデータ効率が良く,実装が容易であることを示す。
  論文  参考訳（メタデータ） (2021-03-22T17:26:43Z)
• Policy Optimization as Online Learning with Mediator Feedback [46.845765216238135]
  ポリシー最適化(PO)は、継続的制御タスクに対処するための広く使われているアプローチである。 本稿では、政策分野におけるオンライン学習問題としてpoを枠組みとする仲介者フィードバックの概念を紹介する。 本稿では,再帰的最小化のために,RIST (Multiple Importance Smpling with Truncation) を用いたアルゴリズム RANDomized-Exploration Policy Optimization を提案する。
  論文  参考訳（メタデータ） (2020-12-15T11:34:29Z)
• Iterative Amortized Policy Optimization [147.63129234446197]
  政策ネットワークは、継続的制御のための深層強化学習(RL)アルゴリズムの中心的な特徴である。 変分推論の観点からは、ポリシーネットワークは、ポリシー分布を直接ではなく、ネットワークパラメータを最適化する、テキスト化最適化の一形態である。 我々は,反復的アモート化ポリシ最適化により,ベンチマーク連続制御タスクの直接アモート化よりも性能が向上することが実証された。
  論文  参考訳（メタデータ） (2020-10-20T23:25:42Z)
• Provably Good Batch Reinforcement Learning Without Great Exploration [51.51462608429621]
  バッチ強化学習(RL)は、RLアルゴリズムを多くの高利得タスクに適用するために重要である。 最近のアルゴリズムは将来性を示しているが、期待された結果に対して過度に楽観的である。 より保守的な更新を行うため、ベルマンの最適性と評価のバックアップに小さな修正を加えることで、はるかに強力な保証が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-16T09:25:54Z)
• DDPG++: Striving for Simplicity in Continuous-control Off-Policy Reinforcement Learning [95.60782037764928]
  過大評価バイアスが制御される限り、単純な決定論的政策勾配は著しく機能することを示す。 第二に、非政治的なアルゴリズムの典型であるトレーニングの不安定性を、欲張りのポリシー更新ステップに向ける。 第3に、確率推定文学におけるアイデアは、リプレイバッファからの重要サンプル遷移や、性能劣化を防ぐためのポリシー更新に利用できることを示す。
  論文  参考訳（メタデータ） (2020-06-26T20:21:12Z)
• Accelerating Deep Reinforcement Learning With the Aid of Partial Model: Energy-Efficient Predictive Video Streaming [97.75330397207742]
  深層強化学習を用いて,モバイルネットワーク上でのエネルギー効率の高いビデオストリーミングのための予測電力割り当てを考案した。 連続状態と行動空間を扱うために、我々はDeep Deterministic Policy gradient (DDPG)アルゴリズムを利用する。 シミュレーションの結果,提案手法は完全大規模チャネル予測に基づいて導出される最適方針に収束することが示された。
  論文  参考訳（メタデータ） (2020-03-21T17:36:53Z)
• PFPN: Continuous Control of Physically Simulated Characters using Particle Filtering Policy Network [0.9137554315375919]
  本稿では,粒子に基づく行動政策をガウス政策の代替とみなす枠組みを提案する。 本手法が様々なモーションキャプチャー模倣タスクに適用可能であることを実証する。
  論文  参考訳（メタデータ） (2020-03-16T00:35:36Z)

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。