論文の概要: Quantum Reinforcement Learning for Solving a Stochastic Frozen Lake
Environment and the Impact of Quantum Architecture Choices
- arxiv url: http://arxiv.org/abs/2212.07932v1
- Date: Thu, 15 Dec 2022 16:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 14:50:15.341411
- Title: Quantum Reinforcement Learning for Solving a Stochastic Frozen Lake
Environment and the Impact of Quantum Architecture Choices
- Title（参考訳）: 確率的凍結湖環境の解法としての量子強化学習と量子アーキテクチャ選択の影響
- Authors: Theodora-Augustina Dr\u{a}gan, Maureen Monnet, Christian B. Mendl,
Jeanette Miriam Lorenz
- Abstract要約: 量子強化学習(QRL)モデルは、古典的強化学習スキームを量子強化カーネルで強化する。
このようなモデルの構築方法に関するさまざまな提案は、実証的に有望なパフォーマンスを示している。
しかし、これらの量子強化カーネルが強化学習パイプライン内のサブルーチンとしてどのように構築され、実際に性能が向上するかは不明である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum reinforcement learning (QRL) models augment classical reinforcement
learning schemes with quantum-enhanced kernels. Different proposals on how to
construct such models empirically show a promising performance. In particular,
these models might offer a reduced parameter count and shorter times to reach a
solution than classical models. It is however presently unclear how these
quantum-enhanced kernels as subroutines within a reinforcement learning
pipeline need to be constructed to indeed result in an improved performance in
comparison to classical models. In this work we exactly address this question.
First, we propose a hybrid quantum-classical reinforcement learning model that
solves a slippery stochastic frozen lake, an environment considerably more
difficult than the deterministic frozen lake. Secondly, different quantum
architectures are studied as options for this hybrid quantum-classical
reinforcement learning model, all of them well-motivated by the literature.
They all show very promising performances with respect to similar classical
variants. We further characterize these choices by metrics that are relevant to
benchmark the power of quantum circuits, such as the entanglement capability,
the expressibility, and the information density of the circuits. However, we
find that these typical metrics do not directly predict the performance of a
QRL model.
- Abstract（参考訳）: 量子強化学習(QRL)モデルは、古典的強化学習スキームを量子強化カーネルで強化する。
このようなモデルの構築方法に関する異なる提案は、有望なパフォーマンスを示している。
特に、これらのモデルは古典モデルよりも少ないパラメータ数と短い時間で解に到達することができる。
しかしながら、これらの量子強化カーネルを強化学習パイプライン内のサブルーチンとして構築し、古典的モデルと比較して実際に性能が向上するかどうかは不明である。
この作業では、この問題に正確に対処します。
まず, 決定論的凍結湖よりもかなり難しい, 滑りやすい確率的凍結湖を解く, ハイブリッド量子古典的強化学習モデルを提案する。
第二に、このハイブリッド量子古典強化学習モデルのオプションとして、異なる量子アーキテクチャが研究されている。
これらはすべて、類似の古典的変種に関して非常に有望なパフォーマンスを示す。
さらに,これらの選択を,絡み合い能力,表現性,情報密度などの量子回路のパワーをベンチマークする指標によって特徴づける。
しかし、これらの典型的な指標はQRLモデルの性能を直接予測しないことがわかった。
関連論文リスト
- Building Continuous Quantum-Classical Bayesian Neural Networks for a Classical Clinical Dataset [0.0]
本稿では,医学データセットの不確実性を考慮した分類を行う量子古典ベイズニューラルネットワーク(QCBNN)を提案する。
予測性能とモデルの不確実性の両方を捉える複数の行動メトリクスを追跡します。
より不確実な方法でサンプルを分類できるハイブリッドモデルを作ることは、私たちの野望です。
論文 参考訳（メタデータ） (2024-06-10T14:23:25Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - Bridging Classical and Quantum Machine Learning: Knowledge Transfer From
Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。
我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。
量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
論文 参考訳（メタデータ） (2023-11-23T05:06:43Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - A Quantum Kernel Learning Approach to Acoustic Modeling for Spoken
Command Recognition [69.97260364850001]
本稿では,量子カーネル学習(QKL)フレームワークを提案する。
古典的-量子的特徴符号化に基づく音響特性を計画する。
論文 参考訳（メタデータ） (2022-11-02T16:46:23Z) - Classical surrogates for quantum learning models [0.7734726150561088]
本稿では,訓練された量子学習モデルから効率的に得られる古典的モデルである古典的サロゲートの概念を紹介する。
我々は、よく解析された再アップロードモデルの大規模なクラスが古典的なサロゲートを持つことを示す。
論文 参考訳（メタデータ） (2022-06-23T14:37:02Z) - Variational Quantum Policy Gradients with an Application to Quantum
Control [0.0]
量子機械学習モデルは、変分量子回路(VQC)によって非常に自然な方法で構成される。
本研究では,ハードウェア効率のよいアザッツを用いたポリシグラディエンスについて考察する。
量子ハードウェアを用いた勾配のエプシロン近似を求める複雑さは、パラメータの数と対数的にしか比較できないことを証明した。
論文 参考訳（メタデータ） (2022-03-20T16:14:49Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳（メタデータ） (2021-04-30T21:34:11Z)
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。