論文の概要: eQMARL: Entangled Quantum Multi-Agent Reinforcement Learning for Distributed Cooperation over Quantum Channels

• arxiv url: http://arxiv.org/abs/2405.17486v1
• Date: Fri, 24 May 2024 18:43:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 00:00:30.056669
• Title: eQMARL: Entangled Quantum Multi-Agent Reinforcement Learning for Distributed Cooperation over Quantum Channels
• Title（参考訳）: eQMARL:量子チャネル上での分散協調のための量子マルチエージェント強化学習
• Authors: Alexander DeRieux, Walid Saad,
• Abstract要約: 量子コンピューティングは、マルチエージェント環境における量子絡み合いと協調の潜在的なシナジーを引き起こした。 現在の最先端量子MARL(QMARL)の実装は、古典的な情報共有に依存している。 eQMARL(eQMARL)は、量子チャネル上での協調を容易にする分散型アクター批判フレームワークである。
• 参考スコア（独自算出の注目度）: 98.314893665023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaboration is a key challenge in distributed multi-agent reinforcement learning (MARL) environments. Learning frameworks for these decentralized systems must weigh the benefits of explicit player coordination against the communication overhead and computational cost of sharing local observations and environmental data. Quantum computing has sparked a potential synergy between quantum entanglement and cooperation in multi-agent environments, which could enable more efficient distributed collaboration with minimal information sharing. This relationship is largely unexplored, however, as current state-of-the-art quantum MARL (QMARL) implementations rely on classical information sharing rather than entanglement over a quantum channel as a coordination medium. In contrast, in this paper, a novel framework dubbed entangled QMARL (eQMARL) is proposed. The proposed eQMARL is a distributed actor-critic framework that facilitates cooperation over a quantum channel and eliminates local observation sharing via a quantum entangled split critic. Introducing a quantum critic uniquely spread across the agents allows coupling of local observation encoders through entangled input qubits over a quantum channel, which requires no explicit sharing of local observations and reduces classical communication overhead. Further, agent policies are tuned through joint observation-value function estimation via joint quantum measurements, thereby reducing the centralized computational burden. Experimental results show that eQMARL with ${\Psi}^{+}$ entanglement converges to a cooperative strategy up to $17.8\%$ faster and with a higher overall score compared to split classical and fully centralized classical and quantum baselines. The results also show that eQMARL achieves this performance with a constant factor of $25$-times fewer centralized parameters compared to the split classical baseline.
• Abstract（参考訳）: 分散マルチエージェント強化学習(MARL)環境でのコラボレーションは重要な課題である。 これらの分散システムのための学習フレームワークは、ローカル観測と環境データを共有する際の通信オーバーヘッドと計算コストに対する明示的なプレイヤー調整の利点を考慮しなければならない。 量子コンピューティングは、最小限の情報共有によるより効率的な分散コラボレーションを可能にする、マルチエージェント環境における量子絡み合いと協調の間の潜在的なシナジーを引き起こした。 しかし、現在の最先端量子MARL(QMARL)の実装は、調整媒体としての量子チャネルの絡み合いではなく、古典的な情報共有に依存しているため、この関係はほとんど解明されていない。 一方,本研究では,絡み合ったQMARL(eQMARL)と呼ばれる新しいフレームワークを提案する。 提案するeQMARLは,量子チャネル間の協調を容易にし,量子絡み合ったスプリット批評家による局所的な観察共有をなくす分散アクタ批判フレームワークである。 エージェントに一意に広がる量子批評家の導入により、量子チャネル上の絡み合った入力量子ビットを介して局所的な観測エンコーダの結合が可能となり、局所的な観測の明示的な共有が不要となり、古典的な通信オーバーヘッドを低減できる。 さらに、合同量子測定による共同観測値関数推定によりエージェントポリシーを調整し、集中的な計算負担を軽減する。 実験の結果、${\Psi}^{+}$エンタングルメントを持つeQMARLは、古典的および完全中央集権的な古典的および量子的ベースラインの分割よりも最大17.8\%の速さで協調戦略に収束することが示された。 また, eQMARL は, 分割された古典的ベースラインに比べて, 集中型パラメータの定数係数が 25$-time より小さいことにより, この性能を達成することを示した。

関連論文リスト

• Nonclassical characteristics in spin-1/2 Heisenberg XYZ model with added DM and KSEA interactions under sinusoidal magnetic field: Hierarchy of quantum resources [0.0]
  Dzyaloshinsky-Moriya (DM) と Kaplan--Shekhtman--Entin-Wohlman--Aharony (KSEA) 相互作用を加えたスピン-1/2ハイゼンベルクXYZモデルにおける量子コヒーレンスと量子相関の測定についての研究
  論文  参考訳（メタデータ） (2024-05-25T16:13:40Z)
• Quantum Multi-Agent Reinforcement Learning for Aerial Ad-hoc Networks [0.19791587637442667]
  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。
  論文  参考訳（メタデータ） (2024-04-26T15:57:06Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Enhancing Quantum Annealing via entanglement distribution [1.1470070927586018]
  量子アニーリングは、いくつかの最適化問題に対処するための強力なツールであることが証明されている。 その性能は、基礎となる量子ハードウェアの接続性に大きく影響している。 本稿では,非局所結合を実装する手法を記述することによって,これらの問題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-12-05T18:18:58Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum Semantic Communications for Resource-Efficient Quantum Networking [52.3355619190963]
  本稿では、量子機械学習と量子意味表現の進歩を活かした新しい量子意味通信(QSC)フレームワークを提案する。 提案手法は,高い量子セマンティック忠実度を達成しつつ,必要な量子通信資源の約50～75%の削減を実現する。
  論文  参考訳（メタデータ） (2022-05-05T03:49:19Z)
• Quantum communication complexity beyond Bell nonlocality [87.70068711362255]
  効率的な分散コンピューティングは、リソース要求タスクを解決するためのスケーラブルな戦略を提供する。 量子リソースはこのタスクに適しており、古典的手法よりも優れた明確な戦略を提供する。 我々は,ベルのような不等式に,新たなコミュニケーション複雑性タスクのクラスを関連付けることができることを証明した。
  論文  参考訳（メタデータ） (2021-06-11T18:00:09Z)
• 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)
• Estimation of correlations and non-separability in quantum channels via unitarity benchmarking [0.0]
  量子チャネルの相関構造は量子状態の相関構造よりも少ない。 両部量子チャネル内の相関関係を効率的に推定する実験を行った。 本研究では,任意の分離可能な量子チャネルに対して,相関ユニタリ性をSPAMロバストな方法で推定可能であることを示す。
  論文  参考訳（メタデータ） (2021-04-09T13:29:37Z)

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。