論文の概要: From Classical Data to Quantum Advantage -- Quantum Policy Evaluation on Quantum Hardware

• arxiv url: http://arxiv.org/abs/2509.07614v1
• Date: Tue, 09 Sep 2025 11:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.285102
• Title: From Classical Data to Quantum Advantage -- Quantum Policy Evaluation on Quantum Hardware
• Title（参考訳）: 古典データから量子アドバンテージへ-量子ハードウェアの量子ポリシー評価
• Authors: Daniel Hein, Simon Wiedemann, Markus Baumann, Patrik Felbinger, Justin Klein, Maximilian Schieder, Jonas Stein, Daniëlle Schuman, Thomas Cope, Steffen Udluft,
• Abstract要約: 量子ポリシー評価(Quantum Policy Evaluation, QPE)は、古典モンテカルロ推定法よりも2次的に効率的である強化学習アルゴリズムである。 量子ハードウェア上での量子機械学習(QML)により、これらの環境パラメータが古典的な観測データのバッチからどのように学習できるかを示す。 実験の結果,ノイズや短コヒーレンス時間といった課題にもかかわらず,QMLとQPEの統合はRLにおける量子的優位性の実現に有望な可能性を示唆している。
• 参考スコア（独自算出の注目度）: 1.451206235416202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum policy evaluation (QPE) is a reinforcement learning (RL) algorithm which is quadratically more efficient than an analogous classical Monte Carlo estimation. It makes use of a direct quantum mechanical realization of a finite Markov decision process, in which the agent and the environment are modeled by unitary operators and exchange states, actions, and rewards in superposition. Previously, the quantum environment has been implemented and parametrized manually for an illustrative benchmark using a quantum simulator. In this paper, we demonstrate how these environment parameters can be learned from a batch of classical observational data through quantum machine learning (QML) on quantum hardware. The learned quantum environment is then applied in QPE to also compute policy evaluations on quantum hardware. Our experiments reveal that, despite challenges such as noise and short coherence times, the integration of QML and QPE shows promising potential for achieving quantum advantage in RL.
• Abstract（参考訳）: 量子ポリシー評価(Quantum Policy Evaluation, QPE)は、古典的モンテカルロ推定よりも2次的に効率的である強化学習(RL)アルゴリズムである。 これは有限マルコフ決定過程の直接量子力学的実現を利用しており、エージェントと環境はユニタリ作用素と交換状態、作用、重ね合わせにおける報酬によってモデル化される。 これまで、量子環境は、量子シミュレーターを用いてイラストラティブなベンチマークのために手動で実装され、パラメータ化されてきた。 本稿では,量子ハードウェア上での量子機械学習(QML)を通じて,古典的な観測データのバッチから,これらの環境パラメータをどのように学習するかを示す。 学習された量子環境はQPEに適用され、量子ハードウェアのポリシー評価も計算される。 実験の結果,ノイズや短コヒーレンス時間といった課題にもかかわらず,QMLとQPEの統合はRLにおける量子的優位性の実現に有望な可能性を示唆している。

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)
• Simulating quantum circuits with restricted quantum computers [0.0]
  この論文は、局所量子演算を用いた非局所量子計算のシミュレーションに特化している。 本研究では, 広域な非局所状態およびチャネルの最適シミュレーションオーバーヘッドを特徴付ける。 また,地域間の古典的コミュニケーションの有用性についても検討する。
  論文  参考訳（メタデータ） (2025-03-27T17:59:45Z)
• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Quantum Equilibrium Propagation for efficient training of quantum systems based on Onsager reciprocity [0.0]
  平衡伝播(Equilibrium propagation、EP)は、平衡に緩和する古典的なエネルギーモデルに導入され応用された手順である。 ここでは、EPとOnsagerの相互性を直接接続し、これを利用してEPの量子バージョンを導出する。 これは任意の量子系の可観測物の期待値に依存する損失関数の最適化に使うことができる。
  論文  参考訳（メタデータ） (2024-06-10T17:22:09Z)
• Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
  この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。 エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
  論文  参考訳（メタデータ） (2023-07-03T10:12:34Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• 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)
• Quantum simulation of open quantum systems in heavy-ion collisions [0.0]
  本稿では,量子コンピュータ上での高温・強結合クォークグルーオンプラズマ(QGP)における重クォークやジェットなどのハードプローブのダイナミクスをシミュレーションする枠組みを提案する。 我々の研究は、現在および短期量子デバイス上でのオープン量子システムをシミュレートできる可能性を示している。
  論文  参考訳（メタデータ） (2020-10-07T18:00:02Z)

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。