論文の概要: Reinforcement learning to learn quantum states for Heisenberg scaling accuracy

• arxiv url: http://arxiv.org/abs/2412.02334v1
• Date: Tue, 03 Dec 2024 09:53:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:49:38.404875
• Title: Reinforcement learning to learn quantum states for Heisenberg scaling accuracy
• Title（参考訳）: ハイゼンベルクスケーリング精度向上のための量子状態学習のための強化学習
• Authors: Jeongwoo Jae, Jeonghoon Hong, Jinho Choo, Yeong-Dae Kwon,
• Abstract要約: 量子状態の学習プロセスの最適化に強化学習(RL)を用いるメタラーニングモデルを提案する。 量子状態の学習には、進化戦略(ES)と呼ばれるブラックボックス最適化アルゴリズムを用いてハードウェア効率の良いアンサッツを訓練する。 RLエージェントはランダムな量子状態の学習のサンプル効率を大幅に改善し、不忠実さはハイゼンベルク限界に近いスケーリングを達成する。
• 参考スコア（独自算出の注目度）: 4.981958366176897
• License:
• Abstract: Learning quantum states is a crucial task for realizing the potential of quantum information technology. Recently, neural approaches have emerged as promising methods for learning quantum states. We propose a meta-learning model that employs reinforcement learning (RL) to optimize the process of learning quantum states. For learning quantum states, our scheme trains a Hardware efficient ansatz with a blackbox optimization algorithm, called evolution strategy (ES). To enhance the efficiency of ES, a RL agent dynamically adjusts the hyperparameters of ES. To facilitate the RL training, we introduce an action repetition strategy inspired by curriculum learning. The RL agent significantly improves the sample efficiency of learning random quantum states, and achieves infidelity scaling close to the Heisenberg limit. We showcase that the RL agent trained using 3-qubit states can be generalized to learning up to 5-qubit states. These results highlight the utility of RL-driven meta-learning to enhance the efficiency and generalizability of learning quantum states. Our approach can be applicable to improve quantum control, quantum optimization, and quantum machine learning.
• Abstract（参考訳）: 量子状態の学習は、量子情報技術のポテンシャルを実現するための重要な課題である。 近年、量子状態を学ぶための有望な方法としてニューラルアプローチが出現している。 量子状態の学習プロセスの最適化に強化学習(RL)を用いるメタラーニングモデルを提案する。 量子状態の学習には、進化戦略(ES)と呼ばれるブラックボックス最適化アルゴリズムを用いてハードウェア効率の良いアンサッツを訓練する。 ESの効率を高めるため、RLエージェントはESのハイパーパラメータを動的に調整する。 RL学習を容易にするために,カリキュラム学習にインスパイアされた行動反復戦略を導入する。 RLエージェントはランダムな量子状態の学習のサンプル効率を大幅に改善し、ハイゼンベルク限界に近い不忠実なスケーリングを実現する。 本稿では,3量子状態を用いて訓練したRLエージェントを最大5量子状態まで学習できることを示す。 これらの結果は,学習量子状態の効率性と一般化性を高めるために,RL駆動型メタラーニングの有用性を強調した。 私たちのアプローチは、量子制御、量子最適化、量子機械学習を改善するために適用できます。

関連論文リスト

• Quantum automated learning with provable and explainable trainability [4.305036822025956]
  量子自動学習では、変動パラメータが関与せず、トレーニングプロセスが量子状態の準備に変換される。 このようなトレーニングプロセスは、想像的時間進化による量子状態の生成の観点から理解することができることを示す。 この結果は、証明可能で説明可能なトレーニング性を備えた勾配のない非従来型量子学習戦略を確立した。
  論文  参考訳（メタデータ） (2025-02-07T19:00:02Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• 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)
• 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)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Quantum Policy Gradient Algorithm with Optimized Action Decoding [1.3946033794136758]
  動作選択に必要な古典的後処理を最適化するための,新しい品質指標を提案する。 この手法により,5キュービットのハードウェアデバイス上で,フルトレーニングルーチンの実行に成功した。
  論文  参考訳（メタデータ） (2022-12-13T15:42:10Z)
• Active Learning on a Programmable Photonic Quantum Processor [6.762439942352232]
  量子機械学習モデルのトレーニングには大きなラベル付きデータセットが必要で、高いラベル付けと計算コストが発生する。 このようなコストを削減するため、アクティブラーニング(AL)と呼ばれる選択的なトレーニング戦略では、学習対象とする元のデータセットのサブセットのみを選択する。 本稿では、量子機械学習におけるALの潜在的な応用と有効性を検討するために、2つのALを用いた変分量子分類器を設計、実装する。
  論文  参考訳（メタデータ） (2022-08-03T14:34:12Z)
• Quantum Reinforcement Learning: the Maze problem [11.240669509034298]
  量子領域に強化学習という古典的な概念を一般化した新しいQMLモデルを導入する。 特に,このアイデアを迷路問題に適用し,迷路から逃れるためにはエージェントが最適な行動集合を学習しなければならない。 エージェントは古典的および量子的状態の両方において最適な戦略を学習し、ノイズの多い環境下での動作についても検討する。
  論文  参考訳（メタデータ） (2021-08-10T07:49:58Z)
• 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 Architecture Search via Deep Reinforcement Learning [0.0]
  できるだけ少ないゲートを持つ特定の量子状態を生成するための量子ゲートシーケンスを設計するのは簡単ではない。 そこで本研究では,深層強化学習(DRL)を応用した量子アーキテクチャ探索フレームワークを提案する。 エージェント内の量子物理学の知識を符号化することなく、マルチキュービットGHZ状態に対する量子ゲート列の生成に成功したことを実証する。
  論文  参考訳（メタデータ） (2021-04-15T18:53:26Z)

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。