論文の概要: Curriculum-based Deep Reinforcement Learning for Quantum Control

• arxiv url: http://arxiv.org/abs/2012.15427v2
• Date: Sat, 2 Jan 2021 12:52:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 16:56:04.768038
• Title: Curriculum-based Deep Reinforcement Learning for Quantum Control
• Title（参考訳）: 量子制御のためのカリキュラムに基づく深層強化学習
• Authors: Hailan Ma, Daoyi Dong, Steven X. Ding, Chunlin Chen
• Abstract要約: 忠実度しきい値によって定義された中間タスクの集合からなるカリキュラムを構築することにより,新たな深層強化学習手法を提案する。 2つの連続するタスク間で知識を伝達し、それらの困難に応じてタスクをシークエンシングすることにより、提案するカリキュラムベースの深層強化学習(CDRL)法は、エージェントが簡単なタスクに集中できるようにする。 閉量子系と開量子系の数値シミュレーションにより,提案手法が量子系の制御性能を向上させることを示した。
• 参考スコア（独自算出の注目度）: 7.656272344163665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning has been recognized as an efficient technique to design optimal strategies for different complex systems without prior knowledge of the control landscape. To achieve a fast and precise control for quantum systems, we propose a novel deep reinforcement learning approach by constructing a curriculum consisting of a set of intermediate tasks defined by a fidelity threshold. Tasks among a curriculum can be statically determined using empirical knowledge or adaptively generated with the learning process. By transferring knowledge between two successive tasks and sequencing tasks according to their difficulties, the proposed curriculum-based deep reinforcement learning (CDRL) method enables the agent to focus on easy tasks in the early stage, then move onto difficult tasks, and eventually approaches the final task. Numerical simulations on closed quantum systems and open quantum systems demonstrate that the proposed method exhibits improved control performance for quantum systems and also provides an efficient way to identify optimal strategies with fewer control pulses.
• Abstract（参考訳）: 深層強化学習は,制御環境の事前知識を必要とせず,複雑なシステムの最適戦略を設計するための効率的な手法として認識されてきた。 量子システムの高速かつ高精度な制御を実現するために,忠実度閾値で定義された一連の中間タスクからなるカリキュラムを構築し,新しい深層強化学習手法を提案する。 カリキュラム内のタスクは経験的知識を用いて静的に決定したり、学習プロセスで適応的に生成することができる。 本提案手法は,2つの連続タスク間の知識の伝達と課題のシークエンシングを困難さに応じて行うことで,エージェントが早期に簡単なタスクに集中し,困難なタスクに移行し,最終的に最終タスクにアプローチすることを可能にする。 クローズド量子系とオープン量子系の数値シミュレーションにより,提案手法は量子系の制御性能を向上し,制御パルスが少ない最適戦略を同定する効率的な方法を提供することを示した。

関連論文リスト

• Meta-Learning Strategies through Value Maximization in Neural Networks [7.285835869818669]
  完全に規範的な目的に対して制御信号を効率よく最適化できる学習活動フレームワークを提案する。 本稿では,一般的なメタ学習アルゴリズムにおける近似の影響について検討する。 設定全体では、学習の早い段階でタスクの容易な側面に適用する場合、制御の取り組みが最も有益であることが分かります。
  論文  参考訳（メタデータ） (2023-10-30T18:29:26Z)
• A quantum system control method based on enhanced reinforcement learning [2.70857393901228]
  強化強化学習(QSC-ERL)に基づく量子システム制御法を提案する。 強化学習における状態と行動は、量子系の量子状態と制御操作にマッピングされる。 他の方法と比較して、QSC-ERLは量子システムの1倍近い忠実度学習制御を達成する。
  論文  参考訳（メタデータ） (2023-09-30T03:22:44Z)
• Hierarchical Deep Counterfactual Regret Minimization [53.86223883060367]
  本稿では,大規模な状態空間や深部ゲームツリーを含むタスクにおいて,学習効率を向上させる革新的な手法であるDeep CFRの最初の階層バージョンを紹介する。 HDCFRのこれまでの研究よりも顕著な利点は、事前に定義された(人間的な)専門知識による学習の促進と、同様のタスクに移行可能なスキルの獲得を促進する能力である。
  論文  参考訳（メタデータ） (2023-05-27T02:05:41Z)
• Auxiliary Task-based Deep Reinforcement Learning for Quantum Control [1.9365303082741054]
  量子制御のための補助タスクベース深部強化学習(AT-DRL)を提案する。 提案したAT-DRLは、量子システムにおけるスパース報酬の解決策を提供することができる。
  論文  参考訳（メタデータ） (2023-02-28T05:08:42Z)
• Deep reinforcement learning for quantum multiparameter estimation [0.0]
  本研究では,現実的なベイズ量子力学タスクを実現するためのモデルフリーでディープラーニングに基づくアプローチを提案する。 我々は,標準手法よりも高い推定性能の達成を実験的に証明した。
  論文  参考訳（メタデータ） (2022-09-01T18:01:56Z)
• On the Effectiveness of Fine-tuning Versus Meta-reinforcement Learning [71.55412580325743]
  本稿では,新しいタスクを微調整したマルチタスク事前学習がメタテスト時間適応によるメタ事前学習と同等かそれ以上に機能することを示す。 マルチタスク事前学習はメタRLよりもシンプルで計算的に安価である傾向があるため、これは将来の研究を奨励している。
  論文  参考訳（メタデータ） (2022-06-07T13:24:00Z)
• Divide & Conquer Imitation Learning [75.31752559017978]
  模倣学習は学習プロセスをブートストラップするための強力なアプローチである。 本稿では,専門的軌道の状態から複雑なロボットタスクを模倣する新しいアルゴリズムを提案する。 提案手法は,非ホロノミックナビゲーションタスクを模倣し,非常に高いサンプル効率で複雑なロボット操作タスクにスケールすることを示す。
  論文  参考訳（メタデータ） (2022-04-15T09:56:50Z)
• Hierarchical Skills for Efficient Exploration [70.62309286348057]
  強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。 下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。 教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-20T22:29:32Z)
• SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep Reinforcement Learning [102.78958681141577]
  SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。 SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
  論文  参考訳（メタデータ） (2020-07-09T17:08:44Z)
• Quantum optimal control of multi-level dissipative quantum systems with Reinforcement Learning [0.06372261626436676]
  本稿では,多段階散逸型量子制御フレームワークを提案し,深部強化学習が最適戦略の同定に有効な方法であることを示す。 このフレームワークは、他の量子制御モデルに適用するために一般化することができる。
  論文  参考訳（メタデータ） (2020-07-02T02:11:06Z)
• Meta-Reinforcement Learning Robust to Distributional Shift via Model Identification and Experience Relabeling [126.69933134648541]
  本稿では,テスト時にアウト・オブ・ディストリビューション・タスクに直面した場合に,効率よく外挿できるメタ強化学習アルゴリズムを提案する。 我々の手法は単純な洞察に基づいており、動的モデルが非政治データに効率的かつ一貫して適応可能であることを認識している。
  論文  参考訳（メタデータ） (2020-06-12T13:34:46Z)

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。