論文の概要: Auxiliary Task-based Deep Reinforcement Learning for Quantum Control

• arxiv url: http://arxiv.org/abs/2302.14312v1
• Date: Tue, 28 Feb 2023 05:08:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 18:06:15.661015
• Title: Auxiliary Task-based Deep Reinforcement Learning for Quantum Control
• Title（参考訳）: 量子制御のためのタスクベース深層強化学習
• Authors: Shumin Zhou, Hailan Ma, Sen Kuang, Daoyi Dong
• Abstract要約: 量子制御のための補助タスクベース深部強化学習(AT-DRL)を提案する。 提案したAT-DRLは、量子システムにおけるスパース報酬の解決策を提供することができる。
• 参考スコア（独自算出の注目度）: 1.9365303082741054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to its property of not requiring prior knowledge of the environment, reinforcement learning has significant potential for quantum control problems. In this work, we investigate the effectiveness of continuous control policies based on deep deterministic policy gradient. To solve the sparse reward signal in quantum learning control problems, we propose an auxiliary task-based deep reinforcement learning (AT-DRL) for quantum control. In particular, we first design a guided reward function based on the fidelity of quantum states that enables incremental fidelity improvement. Then, we introduce the concept of an auxiliary task whose network shares parameters with the main network to predict the reward provided by the environment (called the main task). The auxiliary task learns synchronously with the main task, allowing one to select the most relevant features of the environment, thus aiding the agent in comprehending how to achieve the desired state. The numerical simulations demonstrate that the proposed AT-DRL can provide a solution to the sparse reward in quantum systems, and has great potential in designing control pulses that achieve efficient quantum state preparation.
• Abstract（参考訳）: 環境の事前知識を必要としないという性質から、強化学習は量子制御問題に大きな可能性がある。 本研究では, 決定論的政策勾配に基づく連続制御政策の有効性について検討する。 量子学習制御問題におけるスパース報酬信号を解決するために,量子制御のためのタスクベース深部強化学習(AT-DRL)を提案する。 特に, 量子状態の忠実性に基づいて, 漸進的忠実性向上を可能にする誘導報酬関数をまず設計する。 そこで,本研究では,ネットワークが主ネットワークとパラメータを共有して,環境(主タスク)が提供する報酬を予測する補助タスクの概念を紹介した。 補助タスクはメインタスクと同期して学習し、環境の最も関連する特徴を選択できるため、エージェントが望ましい状態を達成する方法を理解するのに役立つ。 数値シミュレーションにより,提案するat-drlは,量子系におけるスパース報酬の解となり,効率的な量子状態形成を実現する制御パルスの設計において大きな可能性を秘めている。

関連論文リスト

• Arbitrary quantum states preparation aided by deep reinforcement learning [0.89059457062394]
  2つの任意の量子状態間の制御軌道設計を実現するために、初期状態と目標状態情報を状態準備タスクに統合する。 その結果, 制御軌道は, 単一量子ビット系と2量子ビット系の両方に対して, 任意の量子状態の準備を効果的に達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-23T10:28:52Z)
• Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning [17.229068960497273]
  量子情報科学と技術における中心的な課題は、量子システムのリアルタイム推定とフィードフォワード制御の実現である。 量子ビット対の自己アテンション機構を強調するトランスフォーマーモデルを用いた新しいフレームワークを提案する。 提案手法は量子システムの性能を著しく改善し,ルールベースエージェントよりも3ドル以上向上する。
  論文  参考訳（メタデータ） (2024-05-25T23:39:35Z)
• Quantum control by the environment: Turing uncomputability, Optimization over Stiefel manifolds, Reachable sets, and Incoherent GRAPE [56.47577824219207]
  多くの現実的な状況において、制御された量子系は環境と相互作用する。 本稿では,環境を資源として利用したオープン量子システムの制御に関するいくつかの結果について概説する。
  論文  参考訳（メタデータ） (2024-03-20T10:09:13Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• DQC$^2$O: Distributed Quantum Computing for Collaborative Optimization in Future Networks [54.03701670739067]
  本稿では、将来のネットワークにおける最適化タスクを解決するために、量子コンピュータと量子チャネルを管理するための適応型分散量子コンピューティング手法を提案する。 提案手法に基づいて,スマートグリッド管理やIoT連携,UAV軌道計画など,今後のネットワークにおける協調最適化の潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-09-16T02:44:52Z)
• Machine-learning assisted quantum control in random environment [3.8580539160777625]
  本稿では,ニューラルネットワークに基づく機械学習アルゴリズムの概念実証と解析について紹介する。 畳み込みニューラルネットワークは、障害を認識できるため、この問題を解決可能であることを示す。 提案アルゴリズムの精度は障害パターンの高次元マッピングにより向上することを示した。
  論文  参考訳（メタデータ） (2022-02-21T15:12:39Z)
• Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
  本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。 我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:14:09Z)
• Curriculum-based Deep Reinforcement Learning for Quantum Control [7.656272344163665]
  忠実度しきい値によって定義された中間タスクの集合からなるカリキュラムを構築することにより,新たな深層強化学習手法を提案する。 2つの連続するタスク間で知識を伝達し、それらの困難に応じてタスクをシークエンシングすることにより、提案するカリキュラムベースの深層強化学習(CDRL)法は、エージェントが簡単なタスクに集中できるようにする。 閉量子系と開量子系の数値シミュレーションにより,提案手法が量子系の制御性能を向上させることを示した。
  論文  参考訳（メタデータ） (2020-12-31T03:42:07Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。