論文の概要: Quantum Multi-Agent Reinforcement Learning for Aerial Ad-hoc Networks
- arxiv url: http://arxiv.org/abs/2404.17499v1
- Date: Fri, 26 Apr 2024 15:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 12:35:26.095725
- Title: Quantum Multi-Agent Reinforcement Learning for Aerial Ad-hoc Networks
- Title（参考訳）: 空中アドホックネットワークのための量子マルチエージェント強化学習
- Authors: Theodora-Augustina Drăgan, Akshat Tandon, Carsten Strobel, Jasper Simon Krauser, Jeanette Miriam Lorenz,
- Abstract要約: 本稿では,航空通信のユースケースを提示し,それを解くためのハイブリッド量子古典型MLアルゴリズムを提案する。
その結果,古典的アルゴリズムに匹敵する量子化解の性能はわずかに向上した。
これらの有望な結果は、産業関連複雑なユースケースに対するQMARLの可能性を示している。
- 参考スコア（独自算出の注目度）: 0.19791587637442667
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum machine learning (QML) as combination of quantum computing with machine learning (ML) is a promising direction to explore, in particular due to the advances in realizing quantum computers and the hoped-for quantum advantage. A field within QML that is only little approached is quantum multi-agent reinforcement learning (QMARL), despite having shown to be potentially attractive for addressing industrial applications such as factory management, cellular access and mobility cooperation. This paper presents an aerial communication use case and introduces a hybrid quantum-classical (HQC) ML algorithm to solve it. This use case intends to increase the connectivity of flying ad-hoc networks and is solved by an HQC multi-agent proximal policy optimization algorithm in which the core of the centralized critic is replaced with a data reuploading variational quantum circuit. Results show a slight increase in performance for the quantum-enhanced solution with respect to a comparable classical algorithm, earlier reaching convergence, as well as the scalability of such a solution: an increase in the size of the ansatz, and thus also in the number of trainable parameters, leading to better outcomes. These promising results show the potential of QMARL to industrially-relevant complex use cases.
- Abstract（参考訳）: 量子コンピューティングと機械学習(ML)の組み合わせとしての量子機械学習(QML)は、特に量子コンピュータの実現の進歩と期待されている量子優位性のために、探索する上で有望な方向である。
量子マルチエージェント強化学習(QMARL、quantum multi-agent reinforcement learning)は、工場管理やセルラーアクセス、モビリティ協力といった産業用途に対処する上で、潜在的に魅力的な分野である。
本稿では,航空通信のユースケースを提示し,それを解くためのハイブリッド量子古典型MLアルゴリズムを提案する。
このユースケースは、空飛ぶアドホックネットワークの接続性を高めることを目的としており、HQCのマルチエージェント近似ポリシー最適化アルゴリズムによって解決され、中央の批評家のコアがデータ再ロードされた変動量子回路に置き換えられる。
その結果、古典的アルゴリズムに匹敵する量子化解の性能向上、収束の早さ、およびそのような解のスケーラビリティ、すなわち、アンザッツのサイズの増大、従ってトレーニング可能なパラメータの数の増加が示され、より良い結果がもたらされる。
これらの有望な結果は、産業関連複雑なユースケースに対するQMARLの可能性を示している。
関連論文リスト
- Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。
小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
論文 参考訳（メタデータ） (2024-04-01T20:55:03Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。
提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文 参考訳（メタデータ） (2023-04-18T11:57:15Z) - 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) - Explainable Quantum Machine Learning [0.7046417074932257]
人工知能(AI)や特に機械学習(ML)の手法は、これまで以上に複雑になってきている。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善が進行中である。
論文 参考訳（メタデータ） (2023-01-22T15:17:12Z) - Quantum Multi-Agent Actor-Critic Neural Networks for Internet-Connected
Multi-Robot Coordination in Smart Factory Management [14.396716863428882]
本稿では、QRLから量子マルチエージェント強化学習(QMARL)を実装することにより、さらに実現されるQRLの可能性を検証する。
スマートファクトリアプリケーションにおけるインターネット接続型自律型マルチロボット制御と協調性について提案する。
シミュレーションでは、提案したQMARLベースの自律型マルチロボット制御と調整が、他のフレームワークよりも優れていることを裏付けている。
論文 参考訳（メタデータ） (2023-01-04T04:28:39Z) - Hybrid Quantum Classical Simulations [0.0]
量子コンピューティングの2つの主要なハイブリッド応用、すなわち量子近似最適化アルゴリズム(QAOA)と変分量子固有解法(VQE)について報告する。
どちらも、古典的な中央処理ユニットと量子処理ユニットの間の漸進的な通信を必要とするため、ハイブリッド量子古典アルゴリズムである。
論文 参考訳（メタデータ） (2022-10-06T10:49:15Z) - Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
コプラは、合同確率分布をモデル化するための数学的ツールである。
コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。
シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
論文 参考訳（メタデータ） (2022-06-23T18:39:30Z) - 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 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。