論文の概要: Quantum Boltzmann Machines for Sample-Efficient Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.04856v1
• Date: Thu, 06 Nov 2025 22:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.6112
• Title: Quantum Boltzmann Machines for Sample-Efficient Reinforcement Learning
• Title（参考訳）: サンプル効率のよい強化学習のための量子ボルツマンマシン
• Authors: Thore Gerlach, Michael Schenk, Verena Kain,
• Abstract要約: 連続動作強化学習を支援する連続半量子ボルツマンマシンを理論的に構築する。 可視単位上の指数族事前と隠れ単位上のボルツマン分布を組み合わせることで、CSQBMは強いアルゴリズムを維持しながら量子ビット要求を減少させるハイブリッド量子古典モデルを生成する。
• 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 theoretically grounded Continuous Semi-Quantum Boltzmann Machines (CSQBMs) that supports continuous-action reinforcement learning. By combining exponential-family priors over visible units with quantum Boltzmann distributions over hidden units, CSQBMs yield a hybrid quantum-classical model that reduces qubit requirements while retaining strong expressiveness. Crucially, gradients with respect to continuous variables can be computed analytically, enabling direct integration into Actor-Critic algorithms. Building on this, we propose a continuous Q-learning framework that replaces global maximization by efficient sampling from the CSQBM distribution, thereby overcoming instability issues in continuous control.
• Abstract（参考訳）: 連続動作強化学習を支援するCSQBM(Continuous Semi-Quantum Boltzmann Machines)を理論的に構築する。 可視単位上の指数族事前と隠れ単位上の量子ボルツマン分布を組み合わせることで、CSQBMは強い表現性を維持しながら量子ビット要求を減少させるハイブリッド量子古典モデルを生成する。 重要なことに、連続変数に対する勾配は解析的に計算可能であり、アクター・クリティカルアルゴリズムへの直接統合が可能である。 そこで本研究では,CSQBM分布からの効率的なサンプリングにより,グローバルな最大化を代替する継続的Q-ラーニングフレームワークを提案する。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Mixed-State Quantum Denoising Diffusion Probabilistic Model [0.40964539027092906]
  本稿では,混合状態量子復調拡散確率モデル(MSQuDDPM)を提案する。 MSQuDDPMは、前方拡散過程における脱分極ノイズチャネルとパラメータ化量子回路と、後方除極ステップにおける射影測定を統合する。 量子アンサンブル生成タスクにおけるMSQuDDPMの評価を行い,その性能を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:20:58Z)
• Stochastic Security as a Performance Metric for Quantum-enhanced Generative AI [0.0]
  深部エネルギーベースモデル(EBM)は、トレーニングと推論の両方で連続ドメインギブをサンプリングする必要がある。 量子ギブスサンプリングアルゴリズムを実行できるフォールトトレラントな量子コンピュータの代わりに、モンテカルロ法による拡散過程のシミュレーションを古典的な代替として利用する。 その結果,ギブスサンプリングの計算予算の増大は,モデルのキャリブレーションと対角ロバスト性を両立させることがわかった。
  論文  参考訳（メタデータ） (2023-05-13T17:33:01Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Chaos and Complexity from Quantum Neural Network: A study with Diffusion Metric in Machine Learning [0.0]
  量子ニューラルネットワーク(QNN)の機械学習力学における量子カオス現象と複雑性について検討する。 統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
  論文  参考訳（メタデータ） (2020-11-16T10:41:47Z)

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。