Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning Using Hybrid Quantum Neural Network

論文の概要: Deep Reinforcement Learning Using Hybrid Quantum Neural Network

arxiv url: http://arxiv.org/abs/2304.10159v1
Date: Thu, 20 Apr 2023 08:32:58 GMT
ステータス: 処理完了
システム内更新日: 2023-04-21 14:00:03.821158
Title: Deep Reinforcement Learning Using Hybrid Quantum Neural Network
Title（参考訳）: ハイブリッド量子ニューラルネットワークを用いた深層強化学習
Authors: Hao-Yuan Chen
Abstract要約: 量子回路は、深部Q学習法を用いてモデルなし強化学習問題を解決するように設計された。この研究は、迷路問題や他の強化学習問題の解決において、深い量子学習を開発するための結論と展望を導き出している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum computation has a strong implication for advancing the current limitation of machine learning algorithms to deal with higher data dimensions or reducing the overall training parameters for a deep neural network model. Based on a gate-based quantum computer, a parameterized quantum circuit was designed to solve a model-free reinforcement learning problem with the deep-Q learning method. This research has investigated and evaluated its potential. Therefore, a novel PQC based on the latest Qiskit and PyTorch framework was designed and trained to compare with a full-classical deep neural network with and without integrated PQC. At the end of the research, the research draws its conclusion and prospects on developing deep quantum learning in solving a maze problem or other reinforcement learning problems.
Abstract（参考訳）: 量子計算は、より高次元のデータを扱う機械学習アルゴリズムの現在の限界を前進させ、深層ニューラルネットワークモデルの全体的なトレーニングパラメータを減少させる強い意味を持つ。ゲート型量子コンピュータをベースとしたパラメータ化量子回路は,深部Q学習法を用いてモデルレス強化学習問題を解くために設計された。この研究は、その可能性を調査し、評価した。そのため、最新のQiskitとPyTorchフレームワークに基づく新しいPQCが、完全な古典的なディープニューラルネットワークとPQCを統合せずに比較するように設計され、訓練された。研究の終わりにこの研究は、迷路問題や他の強化学習問題を解くための深層量子学習の開発に関する結論と展望を引き合いに出した。

関連論文リスト

Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文参考訳（メタデータ） (2024-11-13T12:03:39Z)
From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
論文参考訳（メタデータ） (2024-08-12T22:53:14Z)
Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
論文参考訳（メタデータ） (2024-05-18T14:35:57Z)
Quantum neural network with ensemble learning to mitigate barren plateaus and cost function concentration [0.0]
本稿では,量子ニューラルネットワーク構築における新しいアプローチ,特にVGとCFCの問題に対処する手法を提案する。我々の手法はアンサンブル学習を採用し、深さが1ドルで複数の量子回路を同時に展開することを提唱している。提案モデルの有効性を,従来構築したQNNとの比較分析により評価する。
論文参考訳（メタデータ） (2024-02-08T19:57:57Z)
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)
Quantum Neural Networks for Power Flow Analysis [0.0]
本稿では、電力フロー解析における量子およびハイブリッド量子古典ニューラルネットワークの可能性について検討する。また, 量子, ハイブリッド量子古典, 古典ニューラルネットワークの系統的性能比較を行った。
論文参考訳（メタデータ） (2023-11-04T11:25:31Z)
Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文参考訳（メタデータ） (2023-04-04T12:47:35Z)
Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文参考訳（メタデータ） (2022-12-29T10:46:40Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-05-30T12:19:27Z)
Quantum neural networks with deep residual learning [29.929891641757273]
本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
論文参考訳（メタデータ） (2020-12-14T18:11:07Z)

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。