論文の概要: Towards Faster Reinforcement Learning of Quantum Circuit Optimization:
Exponential Reward Functions
- arxiv url: http://arxiv.org/abs/2311.12509v1
- Date: Tue, 21 Nov 2023 10:33:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 01:06:22.269841
- Title: Towards Faster Reinforcement Learning of Quantum Circuit Optimization:
Exponential Reward Functions
- Title（参考訳）: 量子回路最適化の高速強化学習に向けて:指数リワード関数
- Authors: Ioana Moflic and Alexandru Paler
- Abstract要約: 量子回路の最適化のための強化学習は、報酬関数の値の最大化を目標とするエージェントを使用する。
本稿では,回路の構造特性に敏感な指数的報酬関数を提案する。
- 参考スコア（独自算出の注目度）: 55.616364225463066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reinforcement learning for the optimization of quantum circuits uses an agent
whose goal is to maximize the value of a reward function that decides what is
correct and what is wrong during the exploration of the search space. It is an
open problem how to formulate reward functions that lead to fast and efficient
learning. We propose an exponential reward function which is sensitive to
structural properties of the circuit. We benchmark our function on circuits
with known optimal depths, and conclude that our function is reducing the
learning time and improves the optimization. Our results are a next step
towards fast, large scale optimization of quantum circuits.
- Abstract（参考訳）: 量子回路の最適化のための強化学習では、探索空間の探索中に何が正しいのか、何が間違っているのかを決定する報酬関数の値の最大化を目標とするエージェントを使用する。
迅速かつ効率的な学習につながる報酬関数の定式化は、オープンな問題である。
本稿では,回路の構造特性に敏感な指数的報酬関数を提案する。
最適深度を持つ回路上での関数のベンチマークを行い、学習時間を短縮し、最適化を改善すると結論付けた。
私たちの結果は、量子回路の高速、大規模最適化に向けた次のステップです。
関連論文リスト
- Optimizing Quantum Circuits, Fast and Slow [7.543907169342984]
本稿では,リライトと再合成を抽象回路変換として考えるための枠組みを提案する。
次に,量子回路を最適化するアルゴリズムGUOQを提案する。
論文 参考訳（メタデータ） (2024-11-06T18:34:35Z) - Quantum Circuit Optimization: Current trends and future direction [0.0]
量子回路最適化の最近の進歩を探求する。
解析アルゴリズム、量子アルゴリズム、機械学習に基づくアルゴリズム、ハイブリッド量子古典アルゴリズムについて論じる。
論文 参考訳（メタデータ） (2024-08-16T15:07:51Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - Cost Explosion for Efficient Reinforcement Learning Optimisation of
Quantum Circuits [55.616364225463066]
強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。
私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。
本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
論文 参考訳（メタデータ） (2023-11-21T10:16:03Z) - Randomized Benchmarking of Local Zeroth-Order Optimizers for Variational
Quantum Systems [65.268245109828]
古典学のパフォーマンスを、半ランダム化された一連のタスクで比較する。
量子システムにおける一般に好適な性能とクエリ効率のため、局所ゼロ階数に着目する。
論文 参考訳（メタデータ） (2023-10-14T02:13:26Z) - Quarl: A Learning-Based Quantum Circuit Optimizer [8.994999903946848]
本稿では,学習型量子回路Quarlについて述べる。
量子回路最適化への強化学習の適用は、大きく変化するアクション空間と、一様でない状態表現という2つの大きな課題を提起する。
論文 参考訳（メタデータ） (2023-07-17T19:21:22Z) - Graph Neural Network Autoencoders for Efficient Quantum Circuit
Optimisation [69.43216268165402]
我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。
我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。
我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
論文 参考訳（メタデータ） (2023-03-06T16:51:30Z) - QuACK: Accelerating Gradient-Based Quantum Optimization with Koopman Operator Learning [4.134992977596645]
本稿では、量子コンピュータ上での勾配ダイナミクスの効率的な予測に交互アルゴリズムを活用する新しいフレームワークQuACKを提案する。
量子最適化と機械学習の幅広い応用において、勾配に基づく最適化を加速するQuACKの驚くべき能力を示す。
論文 参考訳（メタデータ） (2022-11-02T17:59:25Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z)
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。