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

• arxiv url: http://arxiv.org/abs/2012.10711v4
• Date: Thu, 06 Mar 2025 06:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-09 15:36:06.781860
• Title: Quantum reinforcement learning in continuous action space
• Title（参考訳）: 連続行動空間における量子強化学習
• Authors: Shaojun Wu, Shan Jin, Dingding Wen, Donghong Han, Xiaoting Wang,
• Abstract要約: 本稿では,古典的および量子的順序決定問題の両方に効率よく対処する量子Deep Deterministic Policy Gradientアルゴリズムを提案する。 ワンタイム最適化は、任意の目標状態に固定初期状態を駆動するために必要な制御シーケンスを出力するモデルを生成する。 シミュレーションにより本手法の有効性を実証し,その量子制御への応用の可能性について論じる。
• 参考スコア（独自算出の注目度）: 1.4893633973966713
• License:
• Abstract: Quantum reinforcement learning (QRL) is a promising paradigm for near-term quantum devices. While existing QRL methods have shown success in discrete action spaces, extending these techniques to continuous domains is challenging due to the curse of dimensionality introduced by discretization. To overcome this limitation, we introduce a quantum Deep Deterministic Policy Gradient (DDPG) algorithm that efficiently addresses both classical and quantum sequential decision problems in continuous action spaces. Moreover, our approach facilitates single-shot quantum state generation: a one-time optimization produces a model that outputs the control sequence required to drive a fixed initial state to any desired target state. In contrast, conventional quantum control methods demand separate optimization for each target state. We demonstrate the effectiveness of our method through simulations and discuss its potential applications in quantum control.
• Abstract（参考訳）: 量子強化学習(QRL)は、短期量子デバイスにとって有望なパラダイムである。 既存のQRL法は離散的な行動空間において成功したが、離散化によって引き起こされる次元性の呪いのため、これらの手法を連続的な領域に拡張することは困難である。 この制限を克服するために、連続的なアクション空間における古典的および量子的シーケンシャルな決定問題に効率的に対処する量子Deep Deterministic Policy Gradient (DDPG)アルゴリズムを導入する。 さらに,本手法は単一ショットの量子状態生成を容易にする: ワンタイム最適化は,任意の目標状態に固定初期状態を駆動するために必要な制御シーケンスを出力するモデルを生成する。 対照的に、従来の量子制御法では、それぞれの目標状態に対して別々の最適化が要求される。 シミュレーションにより本手法の有効性を実証し,その量子制御への応用の可能性について論じる。

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。