論文の概要: Quantum reinforcement learning of classical rare dynamics: Enhancement by intrinsic Fourier features

• arxiv url: http://arxiv.org/abs/2504.16258v1
• Date: Tue, 22 Apr 2025 20:34:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.918695
• Title: Quantum reinforcement learning of classical rare dynamics: Enhancement by intrinsic Fourier features
• Title（参考訳）: 古典的希少力学の量子強化学習:内在的フーリエ特徴による強化
• Authors: Alissa Wilms, Laura Ohff, Andrea Skolik, Jens Eisert, Sumeet Khatri, David A. Reiss,
• Abstract要約: 希少な力学を研究するための量子強化学習法(QRL)を提案する。 概念実証の例として、我々のQRLエージェントがランダムウォークの稀なダイナミクスを学習し、生成できることを実証する。
• 参考スコア（独自算出の注目度）: 0.8136541584281987
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Rare events are essential for understanding the behavior of non-equilibrium and industrial systems. It is of ongoing interest to develop methods for effectively searching for rare events. With the advent of quantum computing and its potential advantages over classical computing for applications like sampling certain probability distributions, the question arises whether quantum computers could also provide an advantage or inspire new methods for sampling the statistics of rare events. In this work, we propose a quantum reinforcement learning (QRL) method for studying rare dynamics, and we investigate their benefits over classical approaches based on neural networks. As a proof-of-concept example, we demonstrate that our QRL agents can learn and generate the rare dynamics of random walks, and we are able to explain this success as well as the different contributing factors to it via the intrinsic Fourier features of the parameterized quantum circuit. Furthermore, we show better learning behavior with fewer parameters compared to classical approaches. This is the first investigation of QRL applied to generating rare events and suggests that QRL is a promising method to study their dynamics and statistics.
• Abstract（参考訳）: 希少な出来事は非平衡系と工業系の振る舞いを理解するのに不可欠である。 稀な事象を効果的に探す方法の開発が進行中である。 量子コンピューティングの出現と、ある確率分布をサンプリングするなどのアプリケーションにおける古典的コンピューティングに対する潜在的な優位性により、量子コンピュータが稀な事象の統計をサンプリングする新しい方法の利点やインスピレーションを与えることができるかどうかが問題となる。 本研究では,レアダイナミックス研究のための量子強化学習(QRL)手法を提案する。 概念実証の例として、我々のQRLエージェントがランダムウォークの希少なダイナミクスを学習し、生成できることを示し、パラメータ化量子回路の固有のフーリエ特徴を通して、この成功とそれへの様々な寄与要因を説明することができる。 さらに,従来の手法と比較して,パラメータが少なく,学習行動がよいことを示す。 これは、QRLが稀な事象を生成するために適用される最初の研究であり、QRLが彼らの力学と統計を研究するための有望な方法であることを示唆している。

関連論文リスト

• Quantum advantage for learning shallow neural networks with natural data distributions [4.363673971859799]
  本研究では,QSQモデルにおける周期性ニューロンの学習に有効な量子アルゴリズムについて検討した。 我々の知る限り、我々の研究は、実数値関数を明示的に考慮する古典関数に対する量子学習理論の最初の成果である。
  論文  参考訳（メタデータ） (2025-03-26T18:00:17Z)
• 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)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)
• 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)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Protocols for classically training quantum generative models on probability distributions [17.857341127079305]
  量子生成モデリング(QGM)は、量子状態を作成し、サンプルを隠れた(あるいは既知の)確率分布として生成することに依存する。 そこで本研究では,QGMの高速勾配を考慮した回路に基づく古典的学習手法を提案する。 通常のデスクトップコンピュータ上で最大30キュービットの確率分布を用いたIQP回路のエンドツーエンドのトレーニングを数値的に示す。
  論文  参考訳（メタデータ） (2022-10-24T17:57:09Z)
• Uncovering Instabilities in Variational-Quantum Deep Q-Networks [0.0]
  変動量子深度Q-networks (VQ-DQN) は、学習ポリシーが分岐する不安定な状態にあることを示す。 我々は、実量子処理ユニット(IBM量子デバイス)上でRLアルゴリズムを実行し、シミュレーションされた量子システムと物理量子システムの振る舞いの違いを調査する。
  論文  参考訳（メタデータ） (2022-02-10T17:52:44Z)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)
• Quantum agents in the Gym: a variational quantum algorithm for deep Q-learning [0.0]
  本稿では、離散的かつ連続的な状態空間に対するRLタスクを解くために使用できるパラメタライズド量子回路(PQC)のトレーニング手法を提案する。 量子Q学習エージェントのどのアーキテクチャ選択が、特定の種類の環境をうまく解決するのに最も重要であるかを検討する。
  論文  参考訳（メタデータ） (2021-03-28T08:57:22Z)
• Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
  確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。 このような量子相関が生成モデリングの強力な資源となることを理論的に示す。 この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
  論文  参考訳（メタデータ） (2021-01-20T22:57:22Z)

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。