論文の概要: Quantum Multi-Agent Reinforcement Learning via Variational Quantum
Circuit Design
- arxiv url: http://arxiv.org/abs/2203.10443v1
- Date: Sun, 20 Mar 2022 03:44:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 16:03:17.485884
- Title: Quantum Multi-Agent Reinforcement Learning via Variational Quantum
Circuit Design
- Title(参考訳): 変分量子回路設計による量子マルチエージェント強化学習
- Authors: Won Joon Yun, Yunseok Kwak, Jae Pyoung Kim, Hyunhee Cho, Soyi Jung,
Jihong Park, Joongheon Kim
- Abstract要約: 本稿では、QRLを量子マルチエージェントRL(QMARL)に拡張し、実証する。
ノイズ中間スケール量子(NISQ)と古典的マルチエージェントRL(MARL)の非定常特性のため、QRLからQMARLへの拡張は簡単ではない。
提案されたQMARLフレームワークは、古典的なフレームワークよりも57.7%の報酬を得られる。
- 参考スコア(独自算出の注目度): 16.53719091025918
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, quantum computing (QC) has been getting a lot of attention
from industry and academia. Especially, among various QC research topics,
variational quantum circuit (VQC) enables quantum deep reinforcement learning
(QRL). Many studies of QRL have shown that the QRL is superior to the classical
reinforcement learning (RL) methods under the constraints of the number of
training parameters. This paper extends and demonstrates the QRL to quantum
multi-agent RL (QMARL). However, the extension of QRL to QMARL is not
straightforward due to the challenge of the noise intermediate-scale quantum
(NISQ) and the non-stationary properties in classical multi-agent RL (MARL).
Therefore, this paper proposes the centralized training and decentralized
execution (CTDE) QMARL framework by designing novel VQCs for the framework to
cope with these issues. To corroborate the QMARL framework, this paper conducts
the QMARL demonstration in a single-hop environment where edge agents offload
packets to clouds. The extensive demonstration shows that the proposed QMARL
framework enhances 57.7% of total reward than classical frameworks.
- Abstract(参考訳): 近年、量子コンピューティング(QC)は産業や学界から注目を集めている。
特に、様々なQC研究トピックの中で、変分量子回路(VQC)は量子深部強化学習(QRL)を可能にする。
QRLの多くの研究により、QRLは古典的強化学習法(RL)よりも訓練パラメータの制限下で優れていることが示されている。
本稿では、QRLを量子マルチエージェントRL(QMARL)に拡張し、実証する。
しかし、ノイズ中間スケール量子(NISQ)と古典的マルチエージェントRL(MARL)の非定常特性の難しさのため、QRLをQMARLに拡張することは簡単ではない。
そこで本研究では,これらの問題に対処するための新しいVQCを設計することで,集中型トレーニングと分散実行(CTDE)QMARLフレームワークを提案する。
本稿では, エッジエージェントがパケットをクラウドにオフロードする単一ホップ環境でQMARLの実証を行う。
広範なデモンストレーションにより、提案されたqmarlフレームワークは、古典的なフレームワークよりも総報酬の57.7%を増加させることが示された。
関連論文リスト
- eQMARL: Entangled Quantum Multi-Agent Reinforcement Learning for Distributed Cooperation over Quantum Channels [98.314893665023]
量子コンピューティングは、マルチエージェント環境における量子絡み合いと協調の潜在的なシナジーを引き起こした。
現在の最先端量子MARL(QMARL)の実装は、古典的な情報共有に依存している。
eQMARL(eQMARL)は、量子チャネル上での協調を容易にする分散型アクター批判フレームワークである。
論文 参考訳(メタデータ) (2024-05-24T18:43:05Z) - Challenges for Reinforcement Learning in Quantum Circuit Design [8.894627352356302]
ハイブリッド量子機械学習(QML)は、機械学習(ML)を改善するためのQCの応用と、QCアーキテクチャを改善するためのMLの両方を含む。
我々はマルコフ決定過程として定式化された具体的なフレームワークであるqcd-gymを提案し、連続パラメータ化された量子ゲートの普遍的なセットを制御することができる学習ポリシーを実現する。
論文 参考訳(メタデータ) (2023-12-18T16:41:30Z) - Foundations of Quantum Federated Learning Over Classical and Quantum
Networks [59.121263013213756]
量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。
QFLは古典的通信網と量子的通信網の両方に展開できる。
論文 参考訳(メタデータ) (2023-10-23T02:56:00Z) - Matching Game for Optimized Association in Quantum Communication
Networks [65.16483325184237]
本稿では,量子スイッチのためのスワップスタブルな要求-QSアソシエーションアルゴリズムを提案する。
サービスされた要求の割合で、ほぼ最適(5%)のパフォーマンスを達成する。
QCNのサイズが大きくなると、スケーラビリティが向上し、ほぼ最適性能を維持することが示されている。
論文 参考訳(メタデータ) (2023-05-22T03:39:18Z) - Scaling Limits of Quantum Repeater Networks [62.75241407271626]
量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。
量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。
本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
論文 参考訳(メタデータ) (2023-05-15T14:57:01Z) - 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 Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - Asynchronous training of quantum reinforcement learning [0.8702432681310399]
変分量子回路(VQC)による量子RLエージェント構築の先導的手法
本稿では,QRLエージェントを非同期トレーニングすることで,この問題に対処する。
検討したタスクにおいて,QRLエージェントの非同期トレーニングが性能に匹敵するか,優れているかを数値シミュレーションで示す。
論文 参考訳(メタデータ) (2023-01-12T15:54:44Z) - Quantum Multi-Agent Actor-Critic Neural Networks for Internet-Connected
Multi-Robot Coordination in Smart Factory Management [14.396716863428882]
本稿では、QRLから量子マルチエージェント強化学習(QMARL)を実装することにより、さらに実現されるQRLの可能性を検証する。
スマートファクトリアプリケーションにおけるインターネット接続型自律型マルチロボット制御と協調性について提案する。
シミュレーションでは、提案したQMARLベースの自律型マルチロボット制御と調整が、他のフレームワークよりも優れていることを裏付けている。
論文 参考訳(メタデータ) (2023-01-04T04:28:39Z) - Quantum deep recurrent reinforcement learning [0.8702432681310399]
強化学習(Reinforcement Learning、RL)は、複雑なシーケンシャルな意思決定問題を解決するために使用できる機械学習(ML)パラダイムの1つである。
QRLエージェントのコアとなるために、量子長短期メモリ(QLSTM)を構築し、Q$-learningでモデル全体をトレーニングします。
QLSTM-DRQNは従来のDRQNよりも安定で平均スコアの高いCart-Poleのような標準ベンチマークを解くことができる。
論文 参考訳(メタデータ) (2022-10-26T17:29:19Z) - Quantum agents in the Gym: a variational quantum algorithm for deep
Q-learning [0.0]
本稿では、離散的かつ連続的な状態空間に対するRLタスクを解くために使用できるパラメタライズド量子回路(PQC)のトレーニング手法を提案する。
量子Q学習エージェントのどのアーキテクチャ選択が、特定の種類の環境をうまく解決するのに最も重要であるかを検討する。
論文 参考訳(メタデータ) (2021-03-28T08:57:22Z)
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。