Fugu-MT 論文翻訳(概要): Model-based Offline Quantum Reinforcement Learning

論文の概要: Model-based Offline Quantum Reinforcement Learning

arxiv url: http://arxiv.org/abs/2404.10017v1
Date: Sun, 14 Apr 2024 15:11:27 GMT
ステータス: 処理完了
システム内更新日: 2024-04-17 21:08:17.972322
Title: Model-based Offline Quantum Reinforcement Learning
Title（参考訳）: モデルに基づくオフライン量子強化学習
Authors: Simon Eisenmann, Daniel Hein, Steffen Udluft, Thomas A. Runkler,
Abstract要約: 本稿では,モデルに基づくオフライン量子強化学習のための最初のアルゴリズムを提案する。十分に強力な量子コンピュータが利用可能であれば、量子アドバンテージがすぐに達成されることを期待している。
参考スコア（独自算出の注目度）: 4.912318087940015
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the first algorithm for model-based offline quantum reinforcement learning and demonstrates its functionality on the cart-pole benchmark. The model and the policy to be optimized are each implemented as variational quantum circuits. The model is trained by gradient descent to fit a pre-recorded data set. The policy is optimized with a gradient-free optimization scheme using the return estimate given by the model as the fitness function. This model-based approach allows, in principle, full realization on a quantum computer during the optimization phase and gives hope that a quantum advantage can be achieved as soon as sufficiently powerful quantum computers are available.
Abstract（参考訳）: 本稿では、モデルに基づくオフライン量子強化学習のための最初のアルゴリズムを提案し、その機能をカートポールベンチマークで示す。最適化すべきモデルとポリシーは、それぞれ変分量子回路として実装される。モデルは、事前記録されたデータセットに適合するように、勾配降下によって訓練される。適合度関数としてモデルが与える回帰推定値を用いて、勾配のない最適化スキームを最適化する。このモデルに基づくアプローチは、原則として、最適化フェーズ中に量子コンピュータ上で完全な実現を可能にし、十分に強力な量子コンピュータが利用可能であればすぐに量子優位性を達成することを期待する。

関連論文リスト

Adiabatic training for Variational Quantum Algorithms [0.4374837991804085]
本稿では3要素からなる新しいハイブリッド量子機械学習(QML)モデルを提案する。量子ニューラルネットワーク(QNN)を表す変分量子アルゴリズム(VQA)を実行するゲートベース量子コンピュータ VQAの最適パラメータを見つけるために最適化関数が実行される断熱量子コンピュータ。
論文参考訳（メタデータ） (2024-10-24T10:17:48Z)
Learning Parameterized Quantum Circuits with Quantum Gradient [8.64967968665265]
我々は、量子勾配を利用して勾配型コスト関数のPQC学習を強化するネスト最適化モデルを導入する。我々の手法は量子アルゴリズムを用いて、PQC学習における永続的な課題である勾配の消失のタイプを特定し、克服する。
論文参考訳（メタデータ） (2024-09-30T07:50:47Z)
Dissipative learning of a quantum classifier [0.0]
オープン量子システムとして機能する量子分類器モデルの学習力学を解析する。モデルは勾配降下(GD)に基づくアルゴリズムでうまく訓練することができる。これらの最適化プロセスが連続力学で得られたという事実は、微分可能活性化関数の開発を約束することを示している。
論文参考訳（メタデータ） (2023-07-23T11:08:51Z)
A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文参考訳（メタデータ） (2022-12-21T23:15:17Z)
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)
Evaluating the Convergence of Tabu Enhanced Hybrid Quantum Optimization [58.720142291102135]
本稿では,量子ハードウェア上での最適化問題解決に有用な Tabu Enhanced Hybrid Quantum Optimization メタヒューリスティック手法を提案する。提案手法の理論的収束を,イジングモデルに基づくタブ状態を保存する対象の衝突の観点から考察する。
論文参考訳（メタデータ） (2022-09-05T07:23:03Z)
Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文参考訳（メタデータ） (2022-01-21T16:35:35Z)
Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文参考訳（メタデータ） (2021-08-09T18:00:05Z)
Optimized Low-Depth Quantum Circuits for Molecular Electronic Structure using a Separable Pair Approximation [0.0]
我々は、分離可能なペア近似を利用して、最適化された低深度量子回路を実現する古典的な可解モデルを提案する。得られた回路は、新興量子ハードウェアのベースライン回路として適しており、長期的には量子アルゴリズムの初期状態を大幅に改善することができる。
論文参考訳（メタデータ） (2021-05-09T05:10:59Z)
Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文参考訳（メタデータ） (2021-04-30T21:34:11Z)
Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。どちらの手法もエネルギーと基底状態の優れた推定値を提供する。勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。