論文の概要: Quantum reinforcement learning in continuous action space

• arxiv url: http://arxiv.org/abs/2012.10711v2
• Date: Wed, 13 Jan 2021 15:58:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 14:44:44.931557
• Title: Quantum reinforcement learning in continuous action space
• Title（参考訳）: 連続作用空間における量子強化学習
• Authors: Shaojun Wu, Shan Jin, Dingding Wen, Xiaoting Wang
• Abstract要約: 本稿では,量子ニューラルネットワークから構築したDeep Deterministic Policy Gradient法の量子バージョンを提案する。 応用として,固有値問題や量子状態生成を含む量子制御タスクを逐次決定問題として定式化できることを実証する。
• 参考スコア（独自算出の注目度）: 0.5276232626689568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum mechanics has the potential to speedup machine learning algorithms, including reinforcement learning(RL). Previous works have shown that quantum algorithms can efficiently solve RL problems in discrete action space, but could become intractable in continuous domain, suffering notably from the curse of dimensionality due to discretization. In this work, we propose an alternative quantum circuit design that can solve RL problems in continuous action space without the dimensionality problem. Specifically, we propose a quantum version of the Deep Deterministic Policy Gradient method constructed from quantum neural networks, with the potential advantage of obtaining an exponential speedup in gate complexity for each iteration. As applications, we demonstrate that quantum control tasks, including the eigenvalue problem and quantum state generation, can be formulated as sequential decision problems and solved by our method.
• Abstract（参考訳）: 量子力学は強化学習(RL)を含む機械学習アルゴリズムを高速化する可能性がある。 前回の研究では、量子アルゴリズムは離散的作用空間におけるrl問題を効率的に解くことができるが、連続領域では難解となり、特に離散化による次元の呪いに苦しむことがある。 本研究では,連続行動空間におけるRL問題を次元問題なしで解くことのできる量子回路設計を提案する。 具体的には,量子ニューラルネットワークを用いた決定論的ポリシ勾配法(deep deterministic policy gradient method)の量子バージョンを提案する。 応用として,固有値問題や量子状態生成を含む量子制御タスクを逐次決定問題として定式化し,その解法によって解決できることを実証する。

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)
• Robust Implementation of Discrete-time Quantum Walks in Any Finite-dimensional Quantum System [2.646968944595457]
  離散時間量子ウォーク(DTQW)は、回路実装に最も適した選択の1つである。 本稿では,ゲート数および回路深さに関する回路コストを半減することに成功した。 提案手法の工学的卓越性には、近似効率を持つ任意の有限次元量子系にDTQWを実装している。
  論文  参考訳（メタデータ） (2024-08-01T13:07:13Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum improvement in Spatial Discretization [0.0]
  本稿では,制約内での空間的離散化を改善する量子アルゴリズムを提案する。 我々のアルゴリズムは理論モデルから有形量子回路へのギャップを埋める。
  論文  参考訳（メタデータ） (2023-12-14T15:36:10Z)
• Enhancing variational quantum state diagonalization using reinforcement learning techniques [1.583327010995414]
  我々は、量子状態対角化タスクに必要な非常に浅い量子回路を設計する問題に取り組む。 我々は、RL状態に対する新しい符号化法、高密度報酬関数、およびそれを実現するために$epsilon$-greedyポリシーを使用する。 強化学習法により提案される回路は, 標準変分量子状態対角化アルゴリズムよりも浅いことを示す。
  論文  参考訳（メタデータ） (2023-06-19T17:59:04Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Quantum amplitude damping for solving homogeneous linear differential equations: A noninterferometric algorithm [0.0]
  本研究は,同種LDEを解くための効率的な量子アルゴリズムを構築するために,量子振幅減衰演算を資源として利用する新しい手法を提案する。 このようなオープンな量子系にインスパイアされた回路は、非干渉法で解の実際の指数項を構成することができることを示す。
  論文  参考訳（メタデータ） (2021-11-10T11:25:32Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Imaginary Time Propagation on a Quantum Chip [50.591267188664666]
  想像時間における進化は、量子多体系の基底状態を見つけるための顕著な技術である。 本稿では,量子コンピュータ上での仮想時間伝搬を実現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-24T12:48:00Z)
• Reinforcement Learning with Quantum Variational Circuits [0.0]
  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。
  論文  参考訳（メタデータ） (2020-08-15T00:13:01Z)
• 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。