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
- GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。
GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。
GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
論文 参考訳(メタデータ) (2024-01-25T11:11:16Z) - 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) - A quantum system control method based on enhanced reinforcement learning [2.70857393901228]
強化強化学習(QSC-ERL)に基づく量子システム制御法を提案する。
強化学習における状態と行動は、量子系の量子状態と制御操作にマッピングされる。
他の方法と比較して、QSC-ERLは量子システムの1倍近い忠実度学習制御を達成する。
論文 参考訳(メタデータ) (2023-09-30T03:22:44Z) - 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) - Quantum deep Q learning with distributed prioritized experience replay [0.8702432681310399]
このフレームワークは、優先度の高いエクスペリエンスリプレイと非同期トレーニングをトレーニングアルゴリズムに組み込んで、サンプリングの複雑さを低減します。
数値シミュレーションにより、QDQN-DPERは、同じモデルアーキテクチャでベースライン分散量子Q学習よりも優れた性能を示すことが示された。
論文 参考訳(メタデータ) (2023-04-19T13:40:44Z) - 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。