論文の概要: Robustness of quantum reinforcement learning under hardware errors
- arxiv url: http://arxiv.org/abs/2212.09431v1
- Date: Mon, 19 Dec 2022 13:14:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 07:51:53.481853
- Title: Robustness of quantum reinforcement learning under hardware errors
- Title(参考訳): ハードウェア誤差下における量子強化学習のロバスト性
- Authors: Andrea Skolik, Stefano Mangini, Thomas B\"ack, Chiara Macchiavello,
Vedran Dunjko
- Abstract要約: 変分量子機械学習アルゴリズムは、機械学習タスクに短期量子デバイスをどのように利用するかに関する最近の研究の焦点となっている。
これらは、動作している回路をデバイスに合わせることができ、計算の大部分を古典に委譲できるため、これに適していると考えられている。
しかし、ハードウェアによるノイズの影響下での量子機械学習モデルのトレーニングの効果は、まだ広く研究されていない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Variational quantum machine learning algorithms have become the focus of
recent research on how to utilize near-term quantum devices for machine
learning tasks. They are considered suitable for this as the circuits that are
run can be tailored to the device, and a big part of the computation is
delegated to the classical optimizer. It has also been hypothesized that they
may be more robust to hardware noise than conventional algorithms due to their
hybrid nature. However, the effect of training quantum machine learning models
under the influence of hardware-induced noise has not yet been extensively
studied. In this work, we address this question for a specific type of
learning, namely variational reinforcement learning, by studying its
performance in the presence of various noise sources: shot noise, coherent and
incoherent errors. We analytically and empirically investigate how the presence
of noise during training and evaluation of variational quantum reinforcement
learning algorithms affect the performance of the agents and robustness of the
learned policies. Furthermore, we provide a method to reduce the number of
measurements required to train Q-learning agents, using the inherent structure
of the algorithm.
- Abstract(参考訳): 変動量子機械学習アルゴリズムは、機械学習タスクに短期量子デバイスを利用する方法に関する最近の研究の焦点となっている。
これらは、実行中の回路がデバイスに調整可能であり、計算の大部分が古典的なオプティマイザに委譲されるため、この方法に適していると考えられている。
また、それらのハイブリッド性により、従来のアルゴリズムよりもハードウェアノイズに頑健であるという仮説もある。
しかし、ハードウェアによるノイズの影響下での量子機械学習モデルのトレーニングの効果は、まだ広く研究されていない。
本研究では,様々なノイズ源の存在下での学習性能を,ショットノイズ,コヒーレント,アンコヒーレントな誤りなど,特定の種類の学習,すなわち変分強化学習に向け,この問題に対処する。
量子強化学習アルゴリズムの学習中における雑音の存在がエージェントの性能と学習方針の頑健性に及ぼす影響を解析的・実証的に検討した。
さらに,本アルゴリズムの固有構造を用いて,q-learningエージェントの学習に必要な測定回数を削減する手法を提案する。
関連論文リスト
- A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Characterizing and mitigating coherent errors in a trapped ion quantum
processor using hidden inverses [0.20315704654772418]
量子コンピューティングテストベッドは、量子ビットの小さな集合に対して高忠実な量子制御を示す。
これらのノイズの多い中間スケールデバイスは、デコヒーレンスの前に十分な数のシーケンシャルな操作をサポートすることができる。
これらのアルゴリズムの結果は不完全であるが、これらの不完全性は量子コンピュータのテストベッド開発をブートストラップするのに役立ちます。
論文 参考訳(メタデータ) (2022-05-27T20:35:24Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - Variational Quantum Pulse Learning [28.040754288931897]
本稿では,学習タスクに量子パルスを直接学習するための新しいパラダイムである変分量子パルス(VQP)を提案する。
VQPは、最適化フレームワークにおいて、パルスの振幅を引いて押すことで変動量子パルスを操作する。
我々は,NISQ(ノイズ中間量子)コンピュータにおけるノイズに対する頑健性を維持している。
論文 参考訳(メタデータ) (2022-03-31T17:58:13Z) - Impact of quantum noise on the training of quantum Generative
Adversarial Networks [0.0]
我々は、異なる種類の量子ノイズが存在する場合の量子生成逆数ネットワーク(qGAN)の性能について、最初の研究を行う。
特に,qGAN学習過程におけるリードアウトと2ビットゲート誤差の影響について検討する。
論文 参考訳(メタデータ) (2022-03-02T10:35:34Z) - 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) - Ps and Qs: Quantization-aware pruning for efficient low latency neural
network inference [56.24109486973292]
超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。
量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
論文 参考訳(メタデータ) (2021-02-22T19:00:05Z) - Efficient classical simulation and benchmarking of quantum processes in
the Weyl basis [0.0]
Weylユニタリを用いたランダム化ベンチマークアルゴリズムを開発し,エラーモデルの混在を効率よく同定し,学習する。
本手法を変分量子固有解器に現れるアンザッツ回路に適用する。
論文 参考訳(メタデータ) (2020-08-27T16:46:12Z) - Robustness Verification of Quantum Classifiers [1.3534683694551501]
我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。
堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。
我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
論文 参考訳(メタデータ) (2020-08-17T11:56:23Z) - Noise robustness and experimental demonstration of a quantum generative
adversarial network for continuous distributions [0.5249805590164901]
連続確率分布を学習するために、ノイズの多いハイブリッド量子生成逆数ネットワーク(HQGAN)を数値シミュレーションする。
また,アルゴリズムの計算スケーリングを削減するために,異なるパラメータがトレーニング時間に与える影響についても検討する。
我々の研究結果は、ノイズの多い中間量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索するための道を開いた。
論文 参考訳(メタデータ) (2020-06-02T23:14:45Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳(メタデータ) (2020-05-04T13:24:00Z)
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。