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 15:35:45.958535
• 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:
• 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

• Predicting Chaotic Systems with Quantum Echo-state Networks [1.349950008899546]
  古典的エコー状態ネットワーク(ESN)の実装と改善を目的とした量子回路(QC)について検討する。 QESNは、量子コンピュータのユニークな能力を活用することで、違法に大規模な貯水池の必要性を減らすことを目指している。 カオスロレンツシステムにおいて,ノイズモデルとノイズレスモデルの両方を用いてシミュレーションQC実験を行い,回路性能を実証した。
  論文  参考訳（メタデータ） (2024-12-10T20:39:16Z)
• 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)
• 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)
• 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)
• 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)
• CutQC: Using Small Quantum Computers for Large Quantum Circuit Evaluations [18.78105450344374]
  本稿では,古典コンピュータと量子コンピュータを組み合わせたスケーラブルなハイブリッドコンピューティングアプローチであるCutQCを紹介する。 CutQCは、大きな量子回路を小さなサブ回路に分割し、小さな量子デバイスで実行する。 実システムでは、CutQCは小さなプロトタイプの量子コンピュータを用いて、はるかに高い量子回路評価フィリティを達成する。
  論文  参考訳（メタデータ） (2020-12-03T23:52:04Z)

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。