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

• arxiv url: http://arxiv.org/abs/2503.09119v3
• Date: Tue, 08 Apr 2025 04:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 16:56:56.674943
• Title: Training Hybrid Deep Quantum Neural Network for Reinforcement 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: 量子機械学習(QML)は、最近、新しい学際研究の方向性として登場した。 ノイズの多い中間スケール量子コンピュータと互換性のあるハイブリッドQMLモデルに関する最近の研究は、性能の向上を示唆している。 課題を克服し、PQCブロックによる効率的なバッチ最適化を示すスケーラブルなQMLアーキテクチャを提案する。
• 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. Results are obtained from sampling over qubit state distributions that can have complex correlations from entanglement produced by the quantum computing process. Quantum machine learning (QML) emerged recently as a novel interdisciplinary research direction, developing novel machine learning architectures with quantum blocks. While large-scale fault-tolerant quantum machines are not yet available, recent works on hybrid QML models, compatible with noisy intermediate-scale quantum computers, have hinted at improved performance. Such hybrid deep quantum neural networks (hDQNNs) integrate GPU/CPU-based deep neural networks (DNNs) with parameterized quantum circuits (PQC) that can be straightforwardly executed on quantum processors. However, efficiently training hDQNNs using quantum hardware compatible batch backpropagation through PQCs was unavailable, limiting hDQNNs' scalability and usefulness for complex modern machine-learning tasks. Here, we present a scalable QML architecture that overcomes these challenges and demonstrates efficient batch optimization through PQC blocks to update associated model DNNs, enabling scalable hDQNN training compatible with physical quantum computers. Applied to the high-dimensional complex reinforcement learning benchmark, Humanoid-v4, successfully for the first time, our method highlights that hDQNN can deliver improved performance over models based on widely used state-of-the-art classical architectures. These findings offer a pathway toward leveraging near-term hybrid quantum-classical (hQC) computing systems for large-scale machine learning and underscore the potential of hQC architectures in advancing reinforcement learning and 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。 量子コンピューティングプロセスによって生成される絡み合いから複雑な相関関係を持つ量子ビット状態分布のサンプリングから得られる。 量子機械学習(QML)は、最近、新しい分野間研究の方向性として現れ、量子ブロックを使った新しい機械学習アーキテクチャを開発した。 大規模フォールトトレラント量子マシンはまだ利用できないが、近年、ノイズの多い中間スケール量子コンピュータと互換性のあるハイブリッドQMLモデルに関する研究は、性能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)とパラメータ化量子回路(PQC)を統合し、量子プロセッサ上で容易に実行できる。 しかし、量子ハードウェア互換のバッチバックプロパゲーションを使用してhDQNNを効率的にトレーニングすることは不可能であり、hDQNNのスケーラビリティと複雑な機械学習タスクの有用性を制限した。 本稿では、これらの課題を克服し、PQCブロックによる効率的なバッチ最適化を行い、関連するモデルDNNを更新し、物理量子コンピュータと互換性のあるスケーラブルなhDQNNトレーニングを可能にするスケーラブルなQMLアーキテクチャを提案する。 高次元複素強化学習ベンチマークであるHumanoid-v4に初めて適用したところ、hDQNNは、広く使われている最先端の古典的アーキテクチャに基づいて、モデルよりも優れた性能を提供できることがわかった。 これらの発見は、短期的なハイブリッド量子古典(hQC)コンピューティングシステムを大規模機械学習に活用し、強化学習と人工知能の進歩におけるhQCアーキテクチャの可能性を明らかにする道筋を提供する。

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。