論文の概要: Quantum Deep Reinforcement Learning for Robot Navigation Tasks
- arxiv url: http://arxiv.org/abs/2202.12180v1
- Date: Thu, 24 Feb 2022 16:26:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 19:48:48.254598
- Title: Quantum Deep Reinforcement Learning for Robot Navigation Tasks
- Title(参考訳): ロボットナビゲーションタスクのための量子深部強化学習
- Authors: Dirk Heimann, Hans Hohenfeld, Felix Wiebe, Frank Kirchner
- Abstract要約: これは、ロボット行動のための量子機械学習(QML)の最初のデモンストレーションである。
我々はQMLアルゴリズムの研究分野としてロボティクスを確立する。
- 参考スコア(独自算出の注目度): 2.666791490663749
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this work, we utilize Quantum Deep Reinforcement Learning as method to
learn navigation tasks for a simple, wheeled robot in three simulated
environments of increasing complexity. We show similar performance of a
parameterized quantum circuit trained with well established deep reinforcement
learning techniques in a hybrid quantum-classical setup compared to a classical
baseline. To our knowledge this is the first demonstration of quantum machine
learning (QML) for robotic behaviors. Thus, we establish robotics as a viable
field of study for QML algorithms and henceforth quantum computing and quantum
machine learning as potential techniques for future advancements in autonomous
robotics. Beyond that, we discuss current limitations of the presented approach
as well as future research directions in the field of quantum machine learning
for autonomous robots.
- Abstract(参考訳): 本研究では,複雑度を増大させる3つのシミュレーション環境において,簡単な車輪付きロボットのナビゲーションタスクを学習する手法として量子深部強化学習を利用する。
古典的ベースラインと比較して, 量子古典的ハイブリッド構成において, 十分に確立された深層強化学習技術で学習されたパラメータ化量子回路の類似性を示す。
我々の知る限り、これはロボット行動のための量子機械学習(QML)の最初の実演である。
そこで我々は、QMLアルゴリズムの研究分野としてロボティクスを確立し、量子コンピューティングと量子機械学習を、自律型ロボティクスの今後の進歩のための潜在的技術として活用する。
さらに,提案手法の現在の限界と,自律ロボットのための量子機械学習の分野における今後の研究方向について論じる。
関連論文リスト
- 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) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Modern applications of machine learning in quantum sciences [51.09906911582811]
本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。
我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
論文 参考訳(メタデータ) (2022-04-08T17:48:59Z) - Towards AutoQML: A Cloud-Based Automated Circuit Architecture Search
Framework [0.0]
自動量子機械学習(AutoQML)への第一歩を踏み出す
本稿では,この問題の具体的記述を提案し,その後,古典的量子ハイブリッドクラウドアーキテクチャを開発する。
応用例として、量子生成適応ニューラルネットワーク(qGAN)をトレーニングし、既知の歴史的なデータ分布に従うエネルギー価格を生成する。
論文 参考訳(メタデータ) (2022-02-16T12:37:10Z) - Standard Model Physics and the Digital Quantum Revolution: Thoughts
about the Interface [68.8204255655161]
量子システムの分離・制御・絡み合いの進歩は、かつての量子力学の興味深い特徴を、破壊的な科学的・技術的進歩のための乗り物へと変えつつある。
本稿では,3つの領域科学理論家の視点から,絡み合い,複雑性,量子シミュレーションのインターフェースについて考察する。
論文 参考訳(メタデータ) (2021-07-10T06:12:06Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - 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 Cooperative Robotics and Autonomy [0.0]
この2つの領域は、システムの自律性向上に寄与する学際的なインターフェースを確立するためにまとめられる。
本研究は量子エンタングルメントと量子暗号の実験的側面を採用し,これらの確立した量子能力を分散ロボットプラットフォームに統合する。
論文 参考訳(メタデータ) (2020-07-24T05:40:17Z) - Quantum machine learning and quantum biomimetics: A perspective [0.0]
量子機械学習は、量子技術の中でエキサイティングで有望なパラダイムとして登場した。
本稿では,これらのトピックについて概観し,科学コミュニティが実施した関連研究について述べる。
論文 参考訳(メタデータ) (2020-04-25T07:45:20Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。