Fugu-MT 論文翻訳(概要): Hybrid Quantum-Classical Reinforcement Learning in Latent Observation Spaces

論文の概要: Hybrid Quantum-Classical Reinforcement Learning in Latent Observation Spaces

arxiv url: http://arxiv.org/abs/2410.18284v2
Date: Mon, 28 Oct 2024 13:51:16 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-29 12:23:07.579791
Title: Hybrid Quantum-Classical Reinforcement Learning in Latent Observation Spaces
Title（参考訳）: 潜在観測空間におけるハイブリッド量子古典的強化学習
Authors: Dániel T. R. Nagy, Csaba Czabán, Bence Bakó, Péter Hága, Zsófia Kallus, Zoltán Zimborás,
Abstract要約: 量子機械学習の最近の進歩は、古典的な制御問題に取り組むために量子法を使うことに関心を喚起している。本稿では,古典的オートエンコーダと量子エージェントを併用して,この次元課題を解決することを提案する。遅延空間学習法の性能解析のために, 一連の数値実験を設計する。
参考スコア（独自算出の注目度）: 0.36944296923226316
License:
Abstract: Recent progress in quantum machine learning has sparked interest in using quantum methods to tackle classical control problems via quantum reinforcement learning. However, the classical reinforcement learning environments often scale to high dimensional problem spaces, which represents a challenge for the limited and costly resources available for quantum agent implementations. We propose to solve this dimensionality challenge by a classical autoencoder and a quantum agent together, where a compressed representation of observations is jointly learned in a hybrid training loop. The latent representation of such an autoencoder will serve as a tailored observation space best suited for both the control problem and the QPU architecture, aligning with the agent's requirements. A series of numerical experiments are designed for a performance analysis of the latent-space learning method. Results are presented for different control problems and for both photonic (continuous-variable) and qubit-based agents, to show how the QNN learning process is improved by the joint training.
Abstract（参考訳）: 量子機械学習の最近の進歩は、量子強化学習を通じて古典的な制御問題に取り組むために量子法を使うことへの関心を喚起している。しかし、古典的な強化学習環境は高次元問題空間に拡張されることが多く、量子エージェントの実装で利用可能な限られた費用のかかるリソースにとっての課題である。本稿では,古典的オートエンコーダと量子エージェントを併用して,ハイブリッドトレーニングループで観測結果の圧縮表現を共同学習する手法を提案する。このようなオートエンコーダの潜在表現は、制御問題とQPUアーキテクチャの両方に最適な調整された観測空間として機能し、エージェントの要求に合致する。遅延空間学習法の性能解析のために, 一連の数値実験を設計する。その結果, 協調学習によってQNN学習プロセスがどのように改善されているかを示すために, 異なる制御問題と, フォトニック(連続変数)とクビットベースエージェントの両方について検討した。

関連論文リスト

LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [5.295820453939521]
量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
論文参考訳（メタデータ） (2024-09-22T23:18:06Z)
Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
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)
Quantum Advantage Actor-Critic for Reinforcement Learning [5.579028648465784]
本稿では,Advantage Actor-Criticアルゴリズムと変分量子回路を組み合わせた新しい量子強化学習手法を提案する。複数の量子アドバンテージ・アクター・クリティカル構成をよく知られたカートポール環境で実証的にテストし、連続的な状態空間を持つ制御タスクにおける我々のアプローチを評価する。
論文参考訳（メタデータ） (2024-01-13T11:08:45Z)
Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
論文参考訳（メタデータ） (2023-05-18T03:08:18Z)
The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文参考訳（メタデータ） (2022-12-22T16:06:24Z)
Variational Quantum Soft Actor-Critic for Robotic Arm Control [0.0]
本研究の目的は、連続制御のための最先端の強化学習技術の一つに量子コンピューティングを適用することの利点を探求し、評価することである。具体的には、量子回路のディジタルシミュレーションにより、仮想ロボットアームの動きに対する変分量子ソフトアクター・クライトの性能について検討した。
論文参考訳（メタデータ） (2022-12-20T19:02:24Z)
Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
論文参考訳（メタデータ） (2022-01-27T20:14:09Z)
Variational Quantum Soft Actor-Critic [1.90365714903665]
本研究では,連続制御の最先端手法の一つであるソフトアクター批判に基づく量子強化学習アルゴリズムを開発した。この量子版のソフトアクター・クリティックは、調整可能なパラメータをはるかに少なくして、オリジナルのソフトアクター・クリティックに匹敵することを示す。
論文参考訳（メタデータ） (2021-12-20T06:31:06Z)
On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文参考訳（メタデータ） (2021-06-29T14:01:40Z)
Quantum Geometric Machine Learning for Quantum Circuits and Control [78.50747042819503]
我々は、量子幾何学的制御問題に対するディープラーニングの適用をレビューし、拡張する。量子回路合成問題における時間-最適制御の強化について述べる。我々の研究結果は、時間-最適制御問題に対する機械学習と幾何学的手法を組み合わせた量子制御と量子情報理論の研究者にとって興味深いものである。
論文参考訳（メタデータ） (2020-06-19T19:12:14Z)

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。