論文の概要: Short Quantum Circuits in Reinforcement Learning Policies for the Vehicle Routing Problem

• arxiv url: http://arxiv.org/abs/2109.07498v1
• Date: Wed, 15 Sep 2021 18:02:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 16:28:40.381977
• Title: Short Quantum Circuits in Reinforcement Learning Policies for the Vehicle Routing Problem
• Title（参考訳）: 車両経路問題に対する強化学習法における短量子回路
• Authors: Fabio Sanches, Sean Weinberg, Takanori Ide, Kazumitsu Kamiya
• Abstract要約: 従来のアテンションヘッド層の代わりに簡単な量子回路を使用でき、性能を維持できることを示す。 我々は,我々のモデルを,強化学習における量子コンピューティングの役割をさらに研究するための,スケールアップ可能なプロトタイプとみなす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum computing and machine learning have potential for symbiosis. However, in addition to the hardware limitations from current devices, there are still basic issues that must be addressed before quantum circuits can usefully incorporate with current machine learning tasks. We report a new strategy for such an integration in the context of attention models used for reinforcement learning. Agents that implement attention mechanisms have successfully been applied to certain cases of combinatorial routing problems by first encoding nodes on a graph and then sequentially decoding nodes until a route is selected. We demonstrate that simple quantum circuits can used in place of classical attention head layers while maintaining performance. Our method modifies the networks used in [1] by replacing key and query vectors for every node with quantum states that are entangled before being measured. The resulting hybrid classical-quantum agent is tested in the context of vehicle routing problems where its performance is competitive with the original classical approach. We regard our model as a prototype that can be scaled up and as an avenue for further study on the role of quantum computing in reinforcement learning.
• Abstract（参考訳）: 量子コンピューティングと機械学習は共生の可能性がある。 しかし、現在のデバイスからのハードウェアの制限に加えて、量子回路が現在の機械学習タスクに有効に組み込む前に対処しなければならない基本的な問題がまだ残っている。 強化学習に使用される注意モデルの文脈において,このような統合のための新しい戦略を述べる。 注意機構を実装するエージェントは、まずグラフ上のノードをエンコードし、次に経路が選択されるまでノードを順次デコードすることで、組合せルーティングの問題にうまく適用されている。 従来のアテンションヘッド層の代わりに、性能を維持しながら簡単な量子回路を使用できることを示す。 本手法は,各ノードのキーおよびクエリベクトルを,測定前に絡み合う量子状態に置き換えることで,[1]で使用されるネットワークを修飾する。 結果として得られるハイブリッド古典量子エージェントは、その性能が従来の古典的アプローチと競合する車両ルーティング問題という文脈でテストされる。 我々はこのモデルを,強化学習における量子コンピューティングの役割に関するさらなる研究の道筋として,スケールアップ可能なプロトタイプと捉えている。

関連論文リスト

• Hybrid Quantum-Classical Machine Learning with String Diagrams [49.1574468325115]
  本稿では,文字列ダイアグラムの観点からハイブリッドアルゴリズムを記述するための公式なフレームワークを開発する。 弦図の特筆すべき特徴は、量子古典的インタフェースに対応する関手ボックスの使用である。
  論文  参考訳（メタデータ） (2024-07-04T06:37:16Z)
• 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)
• Quantum Deep Hedging [10.243020478772056]
  我々は、深層強化学習が現実世界に強力な枠組みを提供するヘッジの問題を考察する。 我々はポリシー探索と分布型アクター批判アルゴリズムに基づく量子強化学習法を開発した。 トラップイオン量子プロセッサ上で提案したモデルの実装に成功した。
  論文  参考訳（メタデータ） (2023-03-29T10:42:50Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Quantum Neural Networks for a Supply Chain Logistics Application [0.0]
  複数のトラックと複雑な需要構造を備えたサプライチェーンロジスティクスのための車両ルーティングという,重要な問題に関する1つのハイブリッドアルゴリズムについて検討する。 量子回路を組み込んだニューラルネットワークを用いて強化学習を行う。 人間のトラックの割り当てに匹敵する結果が得られます。
  論文  参考訳（メタデータ） (2022-11-30T15:35:53Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• 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)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Embedding Learning in Hybrid Quantum-Classical Neural Networks [8.029801398363261]
  本稿では、下流の量子機械学習タスクのトレーニングに有用な埋め込みを学習する量子数ショット埋め込み学習パラダイムを提案する。 学習された古典的パラメータがヒルベルト空間を効率的に利用しないハイブリッドニューラルネットワークにおける回路バイパス問題を同定する。 学習した数発の埋め込みは、目に見えないクラスに一般化され、他のアプローチと比較して回路バイパス問題に悩まされることが観察された。
  論文  参考訳（メタデータ） (2022-04-09T21:16:20Z)
• Quantum Deep Reinforcement Learning for Robot Navigation Tasks [2.6999000177990924]
  ハイブリッド量子古典的強化学習装置における量子回路は、複数のロボットナビゲーションシナリオにおいて最適なポリシーを学習可能であることを示す。 応用量子回路は、トレーニング可能なパラメータの数に等しくなると、古典的ニューラルネットワークのベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-02-24T16:26:23Z)
• Variational Quantum Soft Actor-Critic [1.90365714903665]
  本研究では,連続制御の最先端手法の一つであるソフトアクター批判に基づく量子強化学習アルゴリズムを開発した。 この量子版のソフトアクター・クリティックは、調整可能なパラメータをはるかに少なくして、オリジナルのソフトアクター・クリティックに匹敵することを示す。
  論文  参考訳（メタデータ） (2021-12-20T06:31:06Z)

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。