論文の概要: Photonic Quantum Policy Learning in OpenAI Gym

• arxiv url: http://arxiv.org/abs/2108.12926v1
• Date: Sun, 29 Aug 2021 22:17:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:52:33.592514
• Title: Photonic Quantum Policy Learning in OpenAI Gym
• Title（参考訳）: openai gymにおけるフォトニック量子政策学習
• Authors: D\'aniel Nagy and Zsolt Tabi and P\'eter H\'aga and Zs\'ofia Kallus and Zolt\'an Zimbor\'as
• Abstract要約: 我々は、古典的な連続制御問題を解決するために、連続可変量子機械学習アプローチを用いる。 制限されたカート問題に対して、フォトニックポリシー学習の2つのバリエーションは、同じ数のトレーニング可能なパラメータのベースラインニューラルネットワークよりも、同等のパフォーマンスレベルと高速な収束を達成する。
• 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: In recent years, near-term noisy intermediate scale quantum (NISQ) computing devices have become available. One of the most promising application areas to leverage such NISQ quantum computer prototypes is quantum machine learning. While quantum neural networks are widely studied for supervised learning, quantum reinforcement learning is still just an emerging field of this area. To solve a classical continuous control problem, we use a continuous-variable quantum machine learning approach. We introduce proximal policy optimization for photonic variational quantum agents and also study the effect of the data re-uploading. We present performance assessment via empirical study using Strawberry Fields, a photonic simulator Fock backend and a hybrid training framework connected to an OpenAI Gym environment and TensorFlow. For the restricted CartPole problem, the two variations of the photonic policy learning achieve comparable performance levels and a faster convergence than the baseline classical neural network of same number of trainable parameters.
• Abstract（参考訳）: 近年,近時雑音型中間スケール量子(NISQ)コンピューティングデバイスが利用可能になっている。 NISQ量子コンピュータのプロトタイプを利用する最も有望な応用分野の1つは量子機械学習である。 量子ニューラルネットワークは教師付き学習のために広く研究されているが、量子強化学習はこの領域の新たな分野である。 古典的連続制御問題を解決するために、連続可変量子機械学習アプローチを用いる。 フォトニック変量量子エージェントの近似ポリシ最適化を導入し、データ再アップロードの効果について検討する。 本稿では,イチゴ畑,フォトニックシミュレータフォックバックエンド,およびopenaiジム環境とtensorflowとを結合したハイブリッドトレーニングフレームワークを用いた実証実験による性能評価を行う。 制限されたCartPole問題に対して、フォトニックポリシー学習の2つのバリエーションは、同じ数のトレーニング可能なパラメータを持つベースラインの古典的ニューラルネットワークよりも同等のパフォーマンスレベルと高速な収束を達成する。

関連論文リスト

• Quantum Extreme Learning of molecular potential energy surfaces and force fields [5.13730975608994]
  量子ニューラルネットワークは、分子系のポテンシャルエネルギー表面と力場を学習するために用いられる。 この特定の教師付き学習ルーチンは、古典的コンピュータ上で実行される単純な線形回帰からなるリソース効率のトレーニングを可能にする。 我々は、任意の次元の分子を研究するために使用でき、NISQデバイスで即時使用するために最適化された設定をテストした。 他の教師付き学習ルーチンと比較して、提案されたセットアップは最小限の量子リソースを必要とするため、量子プラットフォーム上で直接実装することが可能である。
  論文  参考訳（メタデータ） (2024-06-20T18:00:01Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Time-Optimal Quantum Driving by Variational Circuit Learning [2.9582851733261286]
  ディジタル量子シミュレーションとハイブリッド回路学習は、量子最適制御の新しい可能性を開く。 有限個の量子ビットを持つ量子デバイス上で、捕捉された量子粒子の波束展開をシミュレートする。 本手法の誤差に対する堅牢性について考察し,回路にバレンプラトーが存在しないことを示す。
  論文  参考訳（メタデータ） (2022-11-01T11:53:49Z)
• Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
  本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。 提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。 この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
  論文  参考訳（メタデータ） (2022-03-29T09:07:18Z)
• Quantum neural networks force fields generation [0.0]
  量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。 量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
  論文  参考訳（メタデータ） (2022-03-09T12:10:09Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum Machine Learning for Particle Physics using a Variational Quantum Classifier [0.0]
  本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。 このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
  論文  参考訳（メタデータ） (2020-10-14T18:05:49Z)

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。