論文の概要: Noise-Resilient Quantum Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2508.20601v1
• Date: Thu, 28 Aug 2025 09:45:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.303781
• Title: Noise-Resilient Quantum Reinforcement Learning
• Title（参考訳）: 耐雑音性量子強化学習
• Authors: Jing-Ci Yue, Jun-Hong An,
• Abstract要約: 量子固有解法のための雑音耐性QRL方式を提案する。 その結果,全エージェントノイズ系のエネルギースペクトルにおける有界状態の形成は,ノイズのない場合のQRL性能を回復させることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a branch of quantum machine learning, quantum reinforcement learning (QRL) aims to solve complex sequential decision-making problems more efficiently and effectively than its classical counterpart by exploiting quantum resources. However, in the noisy intermediate-scale quantum (NISQ) era, its realization is challenged by the ubiquitous noise-induced decoherence. Here, we propose a noise-resilient QRL scheme for a quantum eigensolver. By investigating the non-Markovian decoherence effect on the QRL for solving the eigen states of a two-level system as an agent, we find that the formation of a bound state in the energy spectrum of the total agent-noise system restores the QRL performance to that in the noiseless case. Providing a universal physical mechanism to suppress the decoherence effect in quantum machine learning, our result lays the foundation for designing the NISQ algorithms and offers a guideline for their practical implementation.
• Abstract（参考訳）: 量子機械学習の分野として、量子強化学習(QRL)は、複雑なシーケンシャルな決定問題の解決を、量子資源を活用することで、従来のものよりも効率的かつ効果的にすることを目的としている。 しかし、ノイズの強い中間スケール量子(NISQ)時代には、その実現はユビキタスノイズによるデコヒーレンスによって挑戦される。 本稿では,量子固有解法のための雑音耐性QRL方式を提案する。 エージェントとしての2レベルシステムの固有状態を解くためのQRLに対する非マルコフ的デコヒーレンス効果を調べた結果、全エージェントノイズ系のエネルギースペクトルにおける有界状態の形成は、ノイズのない場合のQRL性能を回復させることがわかった。 量子機械学習におけるデコヒーレンス効果を抑える普遍的な物理的メカニズムを提供することにより,NISQアルゴリズムの設計の基礎を築き,その実践的実装の指針を提供する。

関連論文リスト

• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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)
• Learning agent-based approach to the characterization of open quantum systems [0.08496348835248901]
  我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。 ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。 複雑化のシミュレーションシナリオにおける本実装の有効性を検証し,ハードウェアによる測定誤差に対するロバスト性を示す。
  論文  参考訳（メタデータ） (2025-01-09T16:25:17Z)
• On the Baltimore Light RailLink into the quantum future [0.0]
  最適化のための計算資源として量子ノイズを利用する方法を示す。 乱れの列車交通を管理するためのソリューションを生成・分析する。 我々の研究は、量子コンピューティングトラムと鉄道再スケジュールの両方の初歩的な応用を示している。
  論文  参考訳（メタデータ） (2024-06-17T07:17:14Z)
• Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation via Neural Networks [0.4779196219827508]
  変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。 量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。 本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-10T15:35:41Z)
• 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)
• 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)
• Learning the Complexity of Weakly Noisy Quantum States [0.5662299435213419]
  ターゲット量子状態の古典的シャドウ表現を利用して、弱雑音量子状態の回路複雑性を予測する。 本研究は,学習アルゴリズムと量子状態複雑性の橋渡しを行い,量子状態の固有特性を特徴付ける学習アルゴリズムのパワーを強調した。
  論文  参考訳（メタデータ） (2023-03-31T06:02:44Z)
• 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)
• Quantum Approximate Optimization Algorithm in Non-Markovian Quantum Systems [5.249219039097684]
  本稿では,非マルコフ量子系上でQAOAを実行するためのフレームワークを提案する。 我々はQAOAを拡張システムの断片的ハミルトン制御として数学的に定式化する。 非マルコビアン性は量子資源として利用でき、QAOAの比較的優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2022-08-03T13:34:50Z)
• Quantum Architecture Search via Continual Reinforcement Learning [0.0]
  本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。 本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
  論文  参考訳（メタデータ） (2021-12-10T19:07:56Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• 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)

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。