論文の概要: QKSA: Quantum Knowledge Seeking Agent -- resource-optimized
reinforcement learning using quantum process tomography
- arxiv url: http://arxiv.org/abs/2112.03643v1
- Date: Tue, 7 Dec 2021 11:36:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 15:19:19.916617
- Title: QKSA: Quantum Knowledge Seeking Agent -- resource-optimized
reinforcement learning using quantum process tomography
- Title（参考訳）: QKSA:Quantum Knowledge Seeking Agent -- 量子プロセストモグラフィーを用いたリソース最適化強化学習
- Authors: Aritra Sarkar, Zaid Al-Ars, Harshitta Gandhi, Koen Bertels
- Abstract要約: 汎用人工知能の汎用強化学習(URL)エージェントモデルを量子環境に拡張する。
古典的な知識探索エージェントKL-KSAの効用関数は、量子情報理論からの距離測定に一般化される。
QKSAは、古典的なURLモデルに似たフレームワークの最初の提案である。
- 参考スコア（独自算出の注目度）: 1.3946983517871423
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this research, we extend the universal reinforcement learning (URL) agent
models of artificial general intelligence to quantum environments. The utility
function of a classical exploratory stochastic Knowledge Seeking Agent, KL-KSA,
is generalized to distance measures from quantum information theory on density
matrices. Quantum process tomography (QPT) algorithms form the tractable subset
of programs for modeling environmental dynamics. The optimal QPT policy is
selected based on a mutable cost function based on algorithmic complexity as
well as computational resource complexity. Instead of Turing machines, we
estimate the cost metrics on a high-level language to allow realistic
experimentation. The entire agent design is encapsulated in a self-replicating
quine which mutates the cost function based on the predictive value of the
optimal policy choosing scheme. Thus, multiple agents with pareto-optimal QPT
policies evolve using genetic programming, mimicking the development of
physical theories each with different resource trade-offs. This formal
framework is termed Quantum Knowledge Seeking Agent (QKSA).
Despite its importance, few quantum reinforcement learning models exist in
contrast to the current thrust in quantum machine learning. QKSA is the first
proposal for a framework that resembles the classical URL models. Similar to
how AIXI-tl is a resource-bounded active version of Solomonoff universal
induction, QKSA is a resource-bounded participatory observer framework to the
recently proposed algorithmic information-based reconstruction of quantum
mechanics. QKSA can be applied for simulating and studying aspects of quantum
information theory. Specifically, we demonstrate that it can be used to
accelerate quantum variational algorithms which include tomographic
reconstruction as its integral subroutine.
- Abstract（参考訳）: 本研究では,汎用人工知能の汎用強化学習(URL)エージェントモデルを量子環境に拡張する。
古典的確率的知識探索エージェントKL-KSAの効用関数は、密度行列に関する量子情報理論から距離測度に一般化される。
量子プロセストモグラフィー(QPT)アルゴリズムは、環境力学をモデル化するためのプログラムの抽出可能なサブセットを形成する。
最適なQPTポリシは、アルゴリズムの複雑さと計算資源の複雑さに基づく可変コスト関数に基づいて選択される。
チューリングマシンの代わりに、現実的な実験を可能にするために、高レベルの言語でコストメトリクスを見積もる。
エージェント設計全体は、最適なポリシー選択スキームの予測値に基づいてコスト関数を変化させる自己複製クワインにカプセル化される。
したがって、pareto-optimal qptポリシーを持つ複数のエージェントは遺伝的プログラミングを用いて進化し、異なるリソーストレードオフを持つ物理理論の発展を模倣する。
この正式なフレームワークはQuantum Knowledge Seeking Agent (QKSA)と呼ばれる。
その重要性にもかかわらず、量子機械学習の現在の推力とは対照的に、量子強化学習モデルはほとんど存在しない。
QKSAは、古典的なURLモデルに似たフレームワークの最初の提案である。
aixi-tlがsolomonoff universal inductionのリソースバウンドアクティブバージョンであるのと同様に、qksaは、最近提案された量子力学のアルゴリズム情報に基づく再構成のためのリソースバウンド参加オブザーバフレームワークである。
QKSAは量子情報理論の側面をシミュレートし研究するために用いられる。
具体的には、トモグラフィ再構成を積分サブルーチンとして含む量子変分アルゴリズムの高速化に使用できることを示す。
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) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Expressive Quantum Supervised Machine Learning using Kerr-nonlinear
Parametric Oscillators [0.0]
変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。
近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。
我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
論文 参考訳（メタデータ） (2023-05-01T07:01:45Z) - 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) - MAQA: A Quantum Framework for Supervised Learning [2.064612766965483]
本研究は,古典的教師付き機械学習アルゴリズムの多元的出力を再現可能な,普遍的で効率的なフレームワークを提案する。
提案するフレームワークは,多機能および多機能の組み合わせにより,Multiple Aggregator Quantum Algorithm (MAQA) と名付けられた。
2つ目の重要な追加として、提案フレームワークをハイブリッド量子古典およびフォールトトレラント量子アルゴリズムとして採用することについて議論する。
論文 参考訳（メタデータ） (2023-03-20T11:18:22Z) - Universal resources for quantum computing [0.0]
普遍量子コンピューティングモデル(UQCM)の設定における普遍資源の理論を発展させる。
我々は、振幅族、準確率族、ハミルトン族という3つのUQCMの自然族を詳細に研究する。
また、絡み合いと干渉の役割や、量子アルゴリズムのリソース理論的特徴など、パズルを解くための厳密な枠組みも提供する。
論文 参考訳（メタデータ） (2023-03-07T07:56:38Z) - 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) - Quantum Reinforcement Learning: the Maze problem [11.240669509034298]
量子領域に強化学習という古典的な概念を一般化した新しいQMLモデルを導入する。
特に,このアイデアを迷路問題に適用し,迷路から逃れるためにはエージェントが最適な行動集合を学習しなければならない。
エージェントは古典的および量子的状態の両方において最適な戦略を学習し、ノイズの多い環境下での動作についても検討する。
論文 参考訳（メタデータ） (2021-08-10T07:49:58Z) - Clustering and enhanced classification using a hybrid quantum
autoencoder [0.0]
本稿では,量子状態から情報を抽出する手法を提案する。
この変分QMLアルゴリズムは、それらの重要な識別特性を識別し、古典的に表現することを学ぶ。
HQAモデルの解析と利用は振幅符号化状態の文脈で述べる。
論文 参考訳（メタデータ） (2021-07-26T06:50:31Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z)
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。