論文の概要: A Survey on Quantum Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2211.03464v1
- Date: Mon, 7 Nov 2022 11:25:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-20 02:02:44.800582
- Title: A Survey on Quantum Reinforcement Learning
- Title(参考訳): 量子強化学習に関する調査研究
- Authors: Nico Meyer, Christian Ufrecht, Maniraman Periyasamy, Daniel D.
Scherer, Axel Plinge, and Christopher Mutschler
- Abstract要約: 量子強化学習は、量子コンピューティングと機械学習の交差する分野である。
既に利用可能なノイズの多い中間スケール量子デバイスに焦点を合わせ、それらは関数近似器として機能する変分量子回路を含む。
さらに、将来のフォールトトレラントハードウェアに基づく量子強化学習アルゴリズムを調査し、その一部は証明可能な量子優位性を持つ。
- 参考スコア(独自算出の注目度): 1.3161405778899375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum reinforcement learning is an emerging field at the intersection of
quantum computing and machine learning. While we intend to provide a broad
overview of the literature on quantum reinforcement learning (our
interpretation of this term will be clarified below), we put particular
emphasis on recent developments. With a focus on already available noisy
intermediate-scale quantum devices, these include variational quantum circuits
acting as function approximators in an otherwise classical reinforcement
learning setting. In addition, we survey quantum reinforcement learning
algorithms based on future fault-tolerant hardware, some of which come with a
provable quantum advantage. We provide both a birds-eye-view of the field, as
well as summaries and reviews for selected parts of the literature.
- Abstract(参考訳): 量子強化学習は、量子コンピューティングと機械学習の交差する分野である。
量子強化学習に関する文献の概観(この用語の我々の解釈は後述する)を広く提示するが、近年の発展に特に重点を置いている。
既に利用可能なノイズの多い中間スケール量子デバイスに焦点を合わせ、古典的な強化学習環境で関数近似器として働く変分量子回路を含む。
さらに、将来のフォールトトレラントハードウェアに基づく量子強化学習アルゴリズムを調査し、その一部は証明可能な量子優位性を持つ。
本稿は,本分野の鳥眼ビューと,選択された文献の要約とレビューを提供する。
関連論文リスト
- Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳(メタデータ) (2023-10-04T17:53:55Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - 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) - Near-Term Quantum Computing Techniques: Variational Quantum Algorithms,
Error Mitigation, Circuit Compilation, Benchmarking and Classical Simulation [5.381727213688375]
私たちはまだ、本格的な量子コンピュータの成熟まで長い道のりを歩んでいます。
注目すべき課題は、非自明なタスクを確実に実行可能なアプリケーションを開発することです。
誤りを特徴づけ、緩和するために、いくつかの短期量子コンピューティング技術が提案されている。
論文 参考訳(メタデータ) (2022-11-16T07:53:15Z) - Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。
予測の利点を生かして、新しいタイプの量子測度がもたらされる。
予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文 参考訳(メタデータ) (2022-09-12T15:47:44Z) - 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) - Recent advances for quantum classifiers [2.459525036555352]
本稿では,量子支援ベクトルマシン,量子カーネル法,量子決定木,量子近接アルゴリズムなど,多数の量子分類アルゴリズムについて概説する。
次に、基本的に分類のための変分量子回路である変分量子分類器を紹介する。
論文 参考訳(メタデータ) (2021-08-30T18:00:00Z) - Fisher Information in Noisy Intermediate-Scale Quantum Applications [0.0]
古典的および量子フィッシャー情報は量子センシングの分野に根ざしている。
ノイズの多い中間スケール量子デバイスの研究におけるそれらの有用性は、最近しか発見されていない。
本稿は、量子センシングを超えた短期的応用のための有用なツールとして、古典的および量子フィッシャー情報をさらに普及させることを目的としている。
論文 参考訳(メタデータ) (2021-03-28T18:11:15Z) - How to enhance quantum generative adversarial learning of noisy
information [5.8010446129208155]
最適化プロセス中にどのような異なるトレーニング問題が発生するかを示す。
我々は,どのオペレーティング・システムにおいても,より高速な収束を実現するための新しい戦略を提案する。
本研究は,このようなハイブリッド古典量子プロトコルの実験的実験の道を開くものである。
論文 参考訳(メタデータ) (2020-12-10T21:48:26Z) - A Unified Framework for Quantum Supervised Learning [0.7366405857677226]
トレーニング可能な量子回路を用いた教師あり学習のための埋め込み型フレームワークを提案する。
これらのアプローチの目的は、異なるクラスからヒルベルト空間の分離された位置へ、量子的特徴写像を通してデータをマッピングすることである。
我々は、明示的なアプローチと他の量子教師あり学習モデルとの本質的な接続を確立する。
論文 参考訳(メタデータ) (2020-10-25T18:43:13Z)
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。