論文の概要: It's-A-Me, Quantum Mario: Scalable Quantum Reinforcement Learning with Multi-Chip Ensembles

• arxiv url: http://arxiv.org/abs/2509.00713v1
• Date: Sun, 31 Aug 2025 06:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.358999
• Title: It's-A-Me, Quantum Mario: Scalable Quantum Reinforcement Learning with Multi-Chip Ensembles
• Title（参考訳）: It's-A-Me, Quantum Mario: Multi-Chip Ensembles を用いたスケーラブル量子強化学習
• Authors: Junghoon Justin Park, Huan-Hsin Tseng, Shinjae Yoo, Samuel Yen-Chi Chen, Jiook Cha,
• Abstract要約: 量子強化学習(QRL)はヒルベルト空間にアクセスできるコンパクト関数近似器を約束する。 制約を克服するために,複数の小型量子畳み込みニューラルネットワーク(QCNN)を用いたマルチチップアンサンブルフレームワークを提案する。 我々のアプローチは、スーパーマリオブラザーズ環境からの複雑な高次元の観測を独立した量子回路で分割する。
• 参考スコア（独自算出の注目度）: 29.944281778572876
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantum reinforcement learning (QRL) promises compact function approximators with access to vast Hilbert spaces, but its practical progress is slowed by NISQ-era constraints such as limited qubits and noise accumulation. We introduce a multi-chip ensemble framework using multiple small Quantum Convolutional Neural Networks (QCNNs) to overcome these constraints. Our approach partitions complex, high-dimensional observations from the Super Mario Bros environment across independent quantum circuits, then classically aggregates their outputs within a Double Deep Q-Network (DDQN) framework. This modular architecture enables QRL in complex environments previously inaccessible to quantum agents, achieving superior performance and learning stability compared to classical baselines and single-chip quantum models. The multi-chip ensemble demonstrates enhanced scalability by reducing information loss from dimensionality reduction while remaining implementable on near-term quantum hardware, providing a practical pathway for applying QRL to real-world problems.
• Abstract（参考訳）: 量子強化学習(QRL)は、ヒルベルト空間へのアクセスが可能なコンパクト関数近似器を約束するが、その実践的な進歩は、制限量子ビットや雑音蓄積のようなNISQ時代の制約によって遅くなる。 本稿では,これらの制約を克服するために,複数の小型量子畳み込みニューラルネットワーク(QCNN)を用いたマルチチップアンサンブルフレームワークを提案する。 我々のアプローチは、スーパーマリオブラザーズ環境からの複雑な高次元の観測を独立した量子回路で分割し、古典的にその出力をDouble Deep Q-Network (DDQN) フレームワークで集約する。 このモジュラーアーキテクチャは、以前は量子エージェントにアクセスできない複雑な環境でQRLを可能にし、古典的なベースラインやシングルチップの量子モデルよりも優れた性能と学習安定性を実現する。 マルチチップアンサンブルは、次元減少による情報損失を低減しつつ、短期的な量子ハードウェア上で実装可能であり、現実世界の問題にQRLを適用するための実用的な経路を提供することにより、拡張性を示す。

関連論文リスト

• LCQNN: Linear Combination of Quantum Neural Networks [7.010027035873597]
  量子ニューラルネットワークの線形結合(LCQNN)フレームワークについて述べる。 制御ユニタリの$k$を採用する、あるいはモデルを特定の群理論部分空間に制限するといった構造的選択が、勾配の崩壊を防ぐことを示す。 群行動シナリオでは、対称性を利用して指数関数的に大きい既約部分空間を除外することにより、モデルはバレンプラトーを回避できることを示す。
  論文  参考訳（メタデータ） (2025-07-03T17:43:10Z)
• 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)
• Addressing the Current Challenges of Quantum Machine Learning through Multi-Chip Ensembles [8.3236800339513]
  本稿では,これらのハードルを体系的に克服するマルチチップアンサンブルVQCフレームワークを提案する。 より小さく、独立に動作する量子チップのアンサンブル間の高次元計算により、我々のアプローチは明らかにバレンプラトーを緩和し、一般化を促進し、追加の緩和オーバーヘッドを伴わずに量子エラーバイアスと分散の両方を同時に減少させる。 これにより、標準的なベンチマークや現実世界のPhyloNet EEGデータセットで検証されているような、大規模なデータの堅牢な処理が可能になる。
  論文  参考訳（メタデータ） (2025-05-13T17:57:53Z)
• Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers [5.673361333697935]
  我々は、ノイズ中間スケール量子(NISQ)デバイス上でのスケーラビリティ問題に対処するために、分散量子長短期メモリ(QLSTM)フレームワークを導入する。 QLSTMは長期の時間的依存関係をキャプチャし、分散アーキテクチャは基礎となる変分量子回路をより小さく管理可能なサブ回路に分割する。 分散QLSTMは,古典的アプローチと比較して,安定した収束とトレーニングダイナミクスの向上を実現している。
  論文  参考訳（メタデータ） (2025-03-18T10:07:34Z)
• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• 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)

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。