Fugu-MT 論文翻訳(概要): Quantum Multi-Agent Meta Reinforcement Learning

論文の概要: Quantum Multi-Agent Meta Reinforcement Learning

arxiv url: http://arxiv.org/abs/2208.11510v1
Date: Mon, 22 Aug 2022 22:46:52 GMT
ステータス: 処理完了
システム内更新日: 2022-08-25 12:22:08.133691
Title: Quantum Multi-Agent Meta Reinforcement Learning
Title（参考訳）: 量子マルチエージェントメタ強化学習
Authors: Won Joon Yun, Jihong Park, Joongheon Kim
Abstract要約: 量子ニューラルネットワーク(QNN)の特徴に基づくマルチエージェント強化学習を再設計する。本稿では,まず量子メタMARL(QM2ARL)を提案する。
参考スコア（独自算出の注目度）: 22.17932723673392
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Although quantum supremacy is yet to come, there has recently been an increasing interest in identifying the potential of quantum machine learning (QML) in the looming era of practical quantum computing. Motivated by this, in this article we re-design multi-agent reinforcement learning (MARL) based on the unique characteristics of quantum neural networks (QNNs) having two separate dimensions of trainable parameters: angle parameters affecting the output qubit states, and pole parameters associated with the output measurement basis. Exploiting this dyadic trainability as meta-learning capability, we propose quantum meta MARL (QM2ARL) that first applies angle training for meta-QNN learning, followed by pole training for few-shot or local-QNN training. To avoid overfitting, we develop an angle-to-pole regularization technique injecting noise into the pole domain during angle training. Furthermore, by exploiting the pole as the memory address of each trained QNN, we introduce the concept of pole memory allowing one to save and load trained QNNs using only two-parameter pole values. We theoretically prove the convergence of angle training under the angle-to-pole regularization, and by simulation corroborate the effectiveness of QM2ARL in achieving high reward and fast convergence, as well as of the pole memory in fast adaptation to a time-varying environment.
Abstract（参考訳）: 量子超越性はまだ実現されていないが、近年、実用的量子コンピューティングの時代における量子機械学習(qml)の可能性を特定することへの関心が高まっている。本稿では、トレーニング可能なパラメータの2つの異なる次元を持つ量子ニューラルネットワーク(QNN)のユニークな特性に基づいて、出力量子ビット状態に影響を与える角度パラメータと、出力測定基準に関連する極パラメータに基づいて、マルチエージェント強化学習(MARL)を再設計する。本稿では,このdyadic trainabilityをメタ学習能力として活用し,まず,メタqnn学習にアングルトレーニングを適用した量子メタmarl (qm2arl) を提案する。オーバーフィッティングを避けるため,角度訓練中に極領域にノイズを注入する角度-極正規化手法を開発した。さらに、トレーニングされた各QNNのメモリアドレスとして極を利用することにより、トレーニング済みQNNを2パラメータの極値のみを用いて保存およびロードできる極メモリの概念を導入する。角度から極への正則化下での角度訓練の収束を理論的に証明し,qm2arlの高報酬化と高速収束化,および時間変動環境への高速適応における極メモリの有効性をシミュレーションにより検証した。

関連論文リスト

Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
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 Natural Stochastic Pairwise Coordinate Descent [6.187270874122921]
近年,変分量子アルゴリズム(VQA)による量子機械学習が注目されている。本稿では,2QNSCD最適化法を提案する。ゲート複雑性を持つ量子回路をパラメータ化量子回路と単発量子計測の2倍の精度で用いた,新しい計量テンソルの疎い非バイアス推定器を開発した。
論文参考訳（メタデータ） (2024-07-18T18:57:29Z)
Training Classical Neural Networks by Quantum Machine Learning [9.002305736350833]
本研究では、量子系の指数的に大きなヒルベルト空間を利用する古典的ニューラルネットワーク(NN)のトレーニングスキームを提案する。既存の量子機械学習(QML)法とは異なり、我々の手法を用いた量子コンピュータから得られた結果は、古典的なコンピュータで直接利用できる。
論文参考訳（メタデータ） (2024-02-26T10:16:21Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
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)
A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文参考訳（メタデータ） (2022-12-21T23:15:17Z)
Model-Independent Learning of Quantum Phases of Matter with Quantum Convolutional Neural Networks [1.9404281424219032]
量子畳み込みニューラルネットワーク(QCNN)は、物質ギャップ量子相の分類器として導入されている。位相保存摂動下で変化しない順序パラメータを見つけるために,QCNNを訓練するためのモデルに依存しないプロトコルを提案する。
論文参考訳（メタデータ） (2022-11-21T19:00:04Z)
Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文参考訳（メタデータ） (2022-08-30T08:17:55Z)
Toward Physically Realizable Quantum Neural Networks [15.018259942339446]
量子ニューラルネットワーク(QNN)の現在のソリューションは、スケーラビリティに関する課題を提起している。 QNNの指数的状態空間は、トレーニング手順のスケーラビリティに課題をもたらす。本稿では量子パーセプトロンの転送関数の帯域制限フーリエ展開に依存するQNNの新しいモデルを提案する。
論文参考訳（メタデータ） (2022-03-22T23:03:32Z)
An Application of Quantum Machine Learning on Quantum Correlated Systems: Quantum Convolutional Neural Network as a Classifier for Many-Body Wavefunctions from the Quantum Variational Eigensolver [0.0]
最近提案された量子畳み込みニューラルネットワーク(QCNN)は、量子回路を使用するための新しいフレームワークを提供する。ここでは、一次元逆場イジングモデル(TFIM)に対する変分量子固有解器の波動関数によるQCNNのトレーニング結果を示す。 QCNNは、それから遠く離れた波動関数によって訓練されたとしても、量子臨界点の周りの波動関数の対応する位相を予測するために訓練することができる。
論文参考訳（メタデータ） (2021-11-09T12:08:49Z)

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。