論文の概要: Training Hybrid Deep Quantum Neural Network for Reinforced Learning Efficiently

• arxiv url: http://arxiv.org/abs/2503.09119v1
• Date: Wed, 12 Mar 2025 07:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 21:17:52.642699
• Title: Training Hybrid Deep Quantum Neural Network for Reinforced Learning Efficiently
• Title（参考訳）: 強化学習のためのハイブリッド深部量子ニューラルネットワークの訓練
• Authors: Jie Luo, Xueyin Chen,
• Abstract要約: 我々は、効率的なバックプロパゲーションによって課題を克服するスケーラブルな量子機械学習アーキテクチャを提案する。 提案手法は,hDQNNが純粋に古典的なモデルと比較して,潜在的な一般化可能性を示すことを強調している。
• 参考スコア（独自算出の注目度）: 2.7812018782449073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computing offers a new paradigm for computation, exploiting an exponentially growing Hilbert space for data representation and operation. Computing results are obtained from measurement based stochastic sampling over nontrivial distributions produced by the quantum computing process with complex correlations from quantum entanglement. Quantum machine learning (QML) emerged as a promising method, potentially surpassing classical counterparts in efficiency and accuracy. While large scale fault tolerant quantum (LSFTQ) machines are not yet available, recent works on hybrid quantum machine learning models, compatible with noisy intermediate scale quantum (NISQ) computers, have hinted at improved generalizability. Such hybrid deep quantum neural networks (hDQNNs) integrate GPU CPU based deep neural networks (DNNs) with forward parameterized quantum circuits (PQC) that can be straightforwardly executed on quantum processors. However, backpropagating through forward PQCs remains computationally inefficient if it is simulated on classical hardware, and current quantum hardware constraints impede batched backpropagation even with dedicated PQCs for calculating gradients of forward PQCs, limiting scalability for modern machine learning tasks. Here, we present a scalable quantum machine learning architecture that overcomes these challenges with efficient backpropagation, enabling scalable hDQNN training with PQCs on physical quantum computers or classical PQC simulators. Applied to reinforcement learning benchmarks, our method highlights that hDQNNs could exhibit potentially improved generalizability compared to purely classical models. These findings offer a pathway toward near term hybrid quantum classical computing systems for large scale machine learning and underscore the potential of hybrid quantum classical architectures in advancing artificial intelligence.
• Abstract（参考訳）: 量子コンピューティングは計算の新しいパラダイムを提供し、データ表現と演算のために指数関数的に増加するヒルベルト空間を利用する。 計算結果は、量子計算プロセスによって生成される非自明な分布に対する測定に基づく確率的サンプリングと、量子絡み合いからの複雑な相関から得られる。 量子機械学習(QML)は有望な手法として登場し、効率と精度において古典的手法を上回る可能性がある。 大規模フォールトトレラント量子(LSFTQ)マシンはまだ利用できないが、近年のハイブリッド量子機械学習モデルの研究は、ノイズの多い中間スケール量子(NISQ)コンピュータと互換性があり、一般化性の向上を示唆している。 このようなハイブリッドディープ量子ニューラルネットワーク(hDQNN)は、GPU CPUベースのディープニューラルネットワーク(DNN)と、量子プロセッサ上で直接実行できる前方パラメータ化量子回路(PQC)を統合する。 しかし、従来のハードウェアでシミュレーションされた場合、フォワードPQCのバックプロパゲーションは計算的に非効率であり、現在の量子ハードウェアの制約は、フォワードPQCの勾配を計算する専用のPQCであってもバッチバックプロパゲーションを阻害し、現代の機械学習タスクのスケーラビリティを制限している。 本稿では,物理量子コンピュータや古典的なPQCシミュレータ上で,PQCを用いたスケーラブルなhDQNNトレーニングを実現するため,これらの課題を効率的なバックプロパゲーションで克服するスケーラブルな量子機械学習アーキテクチャを提案する。 強化学習ベンチマークに適用すると、hDQNNは純粋に古典的なモデルと比較して一般化性が向上する可能性が示唆された。 これらの発見は、大規模機械学習のための短期的なハイブリッド量子古典計算システムへの道筋を提供し、人工知能の進歩におけるハイブリッド量子古典アーキテクチャの可能性を強調している。

関連論文リスト

• Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
  本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。 本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
  論文  参考訳（メタデータ） (2025-04-29T14:10:10Z)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• Quantum-Train-Based Distributed Multi-Agent Reinforcement Learning [5.673361333697935]
  量子トレインに基づく分散マルチエージェント強化学習(Dist-QTRL) 量子トレインに基づく分散マルチエージェント強化学習(Dist-QTRL)を紹介する。
  論文  参考訳（メタデータ） (2024-12-12T00:51:41Z)
• 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)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Multi-GPU-Enabled Hybrid Quantum-Classical Workflow in Quantum-HPC Middleware: Applications in Quantum Simulations [1.9922905420195367]
  本研究では,革新的な分散型量子古典量子アーキテクチャを提案する。 最先端の量子ソフトウェアフレームワークを高性能な古典コンピューティングリソースと統合する。 物質と凝縮物質物理学の量子シミュレーションにおける課題に対処する。
  論文  参考訳（メタデータ） (2024-03-09T07:38:45Z)
• 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)
• Splitting and Parallelizing of Quantum Convolutional Neural Networks for Learning Translationally Symmetric Data [0.0]
  分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。 量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。 本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-12T18:00:08Z)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• 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)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• 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)
• Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits at Exascale [57.84751206630535]
  本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。 新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。 ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
  論文  参考訳（メタデータ） (2021-04-21T13:26:42Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。