論文の概要: Differentiable Quantum Architecture Search for Quantum Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2309.10392v1
- Date: Tue, 19 Sep 2023 07:45:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 15:44:30.475390
- Title: Differentiable Quantum Architecture Search for Quantum Reinforcement
Learning
- Title（参考訳）: 量子強化学習のための微分可能量子アーキテクチャ探索
- Authors: Yize Sun, Yunpu Ma, Volker Tresp
- Abstract要約: 微分可能量子アーキテクチャサーチ(DQAS)は、NISQ時代に自動的に量子回路を設計するための勾配ベースのフレームワークである。
この研究は、勾配に基づく量子アーキテクチャ探索が量子深層Q-ラーニングタスクに適用可能であることを示す最初のものである。
- 参考スコア（独自算出の注目度）: 30.324343192917606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differentiable quantum architecture search (DQAS) is a gradient-based
framework to design quantum circuits automatically in the NISQ era. It was
motivated by such as low fidelity of quantum hardware, low flexibility of
circuit architecture, high circuit design cost, barren plateau (BP) problem,
and periodicity of weights. People used it to address error mitigation, unitary
decomposition, and quantum approximation optimization problems based on fixed
datasets. Quantum reinforcement learning (QRL) is a part of quantum machine
learning and often has various data. QRL usually uses a manually designed
circuit. However, the pre-defined circuit needs more flexibility for different
tasks, and the circuit design based on various datasets could become
intractable in the case of a large circuit. The problem of whether DQAS can be
applied to quantum deep Q-learning with various datasets is still open. The
main target of this work is to discover the capability of DQAS to solve quantum
deep Q-learning problems. We apply a gradient-based framework DQAS on
reinforcement learning tasks and evaluate it in two different environments -
cart pole and frozen lake. It contains input- and output weights, progressive
search, and other new features. The experiments conclude that DQAS can design
quantum circuits automatically and efficiently. The evaluation results show
significant outperformance compared to the manually designed circuit.
Furthermore, the performance of the automatically created circuit depends on
whether the super-circuit learned well during the training process. This work
is the first to show that gradient-based quantum architecture search is
applicable to QRL tasks.
- Abstract（参考訳）: 微分可能量子アーキテクチャサーチ(DQAS)は、NISQ時代に自動的に量子回路を設計するための勾配ベースのフレームワークである。
量子ハードウェアの密度の低さ、回路アーキテクチャの柔軟性の低さ、回路設計コストの高さ、バレンプラトー(BP)問題、重量の周期性などによって動機付けられた。
人々は、固定データセットに基づくエラー緩和、ユニタリ分解、量子近似最適化問題に対処するためにそれを使用した。
量子強化学習(QRL)は量子機械学習の一部であり、様々なデータを持つことが多い。
QRLは通常手動設計の回路を使用する。
しかし、事前定義された回路は様々なタスクに対してより柔軟性を必要とし、大きな回路の場合、様々なデータセットに基づく回路設計は難解になる可能性がある。
DQASが様々なデータセットを用いた量子深層Q-ラーニングに適用できるかどうかという問題は未解決のままである。
この研究の主な目的は、量子深層Q-ラーニング問題を解決するDQASの能力を発見することである。
強化学習タスクに勾配に基づくフレームワークDQASを適用し,2つの異なる環境カートポールと凍結湖で評価する。
入力と出力の重み付け、プログレッシブ検索、その他の新機能が含まれている。
実験の結果、DQASは量子回路を自動かつ効率的に設計できることがわかった。
評価結果から,手動設計回路と比較して優れた性能を示した。
さらに、自動生成回路の性能は、トレーニングプロセス中に学習した超回路の性能に依存する。
この研究は、勾配に基づく量子アーキテクチャ探索がqrlタスクに適用できることを示す最初のものである。
関連論文リスト
- Differentiable Quantum Architecture Search in Asynchronous Quantum Reinforcement Learning [3.6881738506505988]
トレーニング可能な回路パラメータと構造重み付けを可能にするために、微分可能な量子アーキテクチャ探索(DiffQAS)を提案する。
提案したDiffQAS-QRL手法は,手作業による回路アーキテクチャに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2024-07-25T17:11:00Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-14T08:03:20Z) - 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) - GSQAS: Graph Self-supervised Quantum Architecture Search [0.18899300124593643]
既存の量子アーキテクチャ探索(QAS)アルゴリズムは、探索プロセス中に多数の量子回路を評価する必要がある。
本稿では,自己教師型学習に基づく予測器を訓練するグラフ自己教師型QASであるGSQASを提案する。
GSQASは最先端の予測器ベースのQASより優れており、ラベル付き回路が少なくて性能が良い。
論文 参考訳（メタデータ） (2023-03-22T08:35:28Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳（メタデータ） (2023-01-13T09:35:05Z) - Quantum Deep Dreaming: A Novel Approach for Quantum Circuit Design [0.0]
量子ディープドリーミング(Quantum Deep Dreaming, QDD)は、特定の目的のために最適な量子回路アーキテクチャを生成するアルゴリズムである。
我々は、QDDが基底状態エネルギーに近い6量子ビットの回路、すなわち「ドレーム」を正常に生成することを示した。
論文 参考訳（メタデータ） (2022-11-05T22:16:10Z) - Learning capability of parametrized quantum circuits [2.51657752676152]
変分量子アルゴリズム(VQA)とそのパラメタライズド量子回路(PQC)による量子機械学習分野への応用は、ノイズの多い中間スケール量子コンピューティングデバイスを活用する主要な方法の1つであると考えられている。
本稿では、Schuldらによる研究に基づいて、学習能力の新たな尺度を用いて、PQCの一般的なアンス・アゼと比較する。
また,Beerらが導入した分散量子ニューラルネットワーク(dQNN)についても検討し,その学習能力を高めるために,dQNNのデータ再アップロード構造を提案する。
論文 参考訳（メタデータ） (2022-09-21T13:26:20Z) - 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) - Differentiable Quantum Architecture Search [15.045985536395479]
微分可能量子アーキテクチャ探索(DQAS)の一般的なフレームワークを提案する。
DQASは、エンドツーエンドの微分可能な方法で量子回路の自動設計を可能にする。
論文 参考訳（メタデータ） (2020-10-16T18:00:03Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。