論文の概要: BenchRL-QAS: Benchmarking reinforcement learning algorithms for quantum architecture search
- arxiv url: http://arxiv.org/abs/2507.12189v1
- Date: Wed, 16 Jul 2025 12:43:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-17 19:00:11.387087
- Title: BenchRL-QAS: Benchmarking reinforcement learning algorithms for quantum architecture search
- Title（参考訳）: BenchRL-QAS:量子アーキテクチャ探索のための強化学習アルゴリズムのベンチマーク
- Authors: Azhar Ikhtiarudin, Aditi Das, Param Thakkar, Akash Kundu,
- Abstract要約: 量子アーキテクチャ探索(QAS)における強化学習(RL)アルゴリズムを評価するための統合ベンチマークフレームワークであるBenchRL-QASを紹介する。
本研究は,代用量子問題に対する値ベースおよびポリシグラディエント手法を含む9つのRLエージェントをベンチマークした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce BenchRL-QAS, a unified benchmarking framework for systematically evaluating reinforcement learning (RL) algorithms in quantum architecture search (QAS) across diverse variational quantum algorithm tasks and system sizes ranging from 2- to 8-qubit. Our study benchmarks nine RL agents including both value-based and policy-gradient methods on representative quantum problems such as variational quantum eigensolver, variational quantum state diagonalization, quantum classification, and state preparation, spanning both noiseless and realistic noisy regimes. We propose a weighted ranking metric that balances accuracy, circuit depth, gate count, and computational efficiency, enabling fair and comprehensive comparison. Our results first reveal that RL-based quantum classifier outperforms baseline variational classifiers. Then we conclude that no single RL algorithm is universally optimal when considering a set of QAS tasks; algorithmic performance is highly context-dependent, varying with task structure, qubit count, and noise. This empirical finding provides strong evidence for the "no free lunch" principle in RL-based quantum circuit design and highlights the necessity of tailored algorithm selection and systematic benchmarking for advancing quantum circuit synthesis. This work represents the most comprehensive RL-QAS benchmarking effort to date, and BenchRL-QAS along with all experimental data are made publicly available to support reproducibility and future research https://github.com/azhar-ikhtiarudin/bench-rlqas.
- Abstract（参考訳）: 本稿では,量子アーキテクチャ探索(QAS)における強化学習(RL)アルゴリズムを,多種多様な量子アルゴリズムタスクと2量子から8量子ビットまでのシステムサイズで体系的に評価するベンチマークフレームワークであるBenchRL-QASを紹介する。
本研究は, 変動量子固有解法, 変分量子状態対角化, 量子分類, 状態準備などの代表的量子問題に対して, ノイズのない, 現実的な雑音条件の両方にまたがる, 値ベースおよびポリシー段階の手法を含む9つのRLエージェントをベンチマークした。
本稿では,精度,回路深度,ゲート数,計算効率のバランスをとる重み付きランキング尺度を提案する。
この結果から,RLに基づく量子分類器はベースライン変分分類器よりも優れていることがわかった。
そして,一組のQASタスクを考えると,一組のRLアルゴリズムが普遍的に最適ではないという結論を得た。
この経験的発見は、RLベースの量子回路設計における「無料ランチ」原理の強い証拠となり、量子回路合成を前進させるためのアルゴリズムの選択と体系的なベンチマークの必要性を強調している。
この研究は、これまでで最も包括的なRL-QASベンチマークの取り組みであり、ベンチRL-QASと全ての実験データとともに、再現性と将来の研究をサポートするために公開されている。
関連論文リスト
- CleanQRL: Lightweight Single-file Implementations of Quantum Reinforcement Learning Algorithms [2.536162003546062]
CleanQRLは、多くの量子強化学習アルゴリズムの単一スクリプト実装を提供するライブラリである。
私たちのライブラリは、研究者が自身のニーズに迅速に適応できるように、明確で分かりやすいスクリプトを提供します。
論文 参考訳（メタデータ） (2025-07-10T09:53:39Z) - RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [48.670876200492415]
変分量子アルゴリズム(VQA)は、強力なノイズ中間スケール量子(NISQ)コンピュータを利用するための有望なアプローチである。
本稿では,量子混合状態の進化をモデルとしたQASアルゴリズムである$rho$DARTSを提案する。
論文 参考訳（メタデータ） (2025-06-04T08:30:35Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - Performance Benchmarking of Quantum Algorithms for Hard Combinatorial Optimization Problems: A Comparative Study of non-FTQC Approaches [0.0]
本研究は、4つの異なる最適化問題にまたがっていくつかの非フォールト耐性量子コンピューティングアルゴリズムを体系的にベンチマークする。
我々のベンチマークには、変分量子固有解法など、ノイズの多い中間スケール量子(NISQ)アルゴリズムが含まれている。
以上の結果から,FTQC以外のアルゴリズムは全ての問題に対して最適に動作しないことが明らかとなり,アルゴリズム戦略の調整の必要性が浮き彫りになった。
論文 参考訳（メタデータ） (2024-10-30T08:41:29Z) - A quantum information theoretic analysis of reinforcement learning-assisted quantum architecture search [0.0]
本研究では,変分量子状態対角化問題に適したアンサッツ製造のためのRL-QASについて検討した。
我々はこれらの知見を活用して、最適な資源を用いてランダムな量子状態と対角化するために、QASの絡み合った許容アンサッツを考案する。
論文 参考訳（メタデータ） (2024-04-09T09:54:59Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。
提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文 参考訳（メタデータ） (2023-04-18T11:57:15Z) - Reinforcement Learning Quantum Local Search [0.0]
我々は、量子局所探索(QLS)におけるサブプロブレム選択の改善のためのエージェントを訓練するための強化学習(RL)に基づくアプローチを提案する。
提案手法は,完全連結ランダムイジング問題に対するQLSの平均近似比を効果的に向上することを示した。
論文 参考訳（メタデータ） (2023-04-13T13:07:19Z) - 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) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep
Reinforcement Learning [102.78958681141577]
SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。
SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
論文 参考訳（メタデータ） (2020-07-09T17:08:44Z)
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。