論文の概要: Hybrid action Reinforcement Learning for quantum architecture search

• arxiv url: http://arxiv.org/abs/2511.04967v2
• Date: Mon, 10 Nov 2025 02:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 14:56:00.629085
• Title: Hybrid action Reinforcement Learning for quantum architecture search
• Title（参考訳）: 量子アーキテクチャ探索のためのハイブリッドアクション強化学習
• Authors: Jiayang Niu, Yan Wang, Jie Li, Ke Deng, Azadeh Alavi, Mark Sanderson, Yongli Ren,
• Abstract要約: HyRLQASは、離散ゲート配置と連続パラメータ生成を統合する統合フレームワークである。 我々はHyRLQASが低エネルギー誤差とよりコンパクトな回路構造を一貫して達成していることを示す。 これらの結果は、ハイブリッドアクション強化学習が、自動およびハードウェア効率の量子回路設計への原則的な経路を提供することを示唆している。
• 参考スコア（独自算出の注目度）: 22.797945771013037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing expressive yet trainable quantum circuit architectures remains a major challenge for variational quantum algorithms, as manual or heuristic designs often yield suboptimal performance. We propose HyRLQAS (Hybrid-Action Reinforcement Learning for Quantum Architecture Search), a unified framework that integrates discrete gate placement and continuous parameter generation within a hybrid action space. Unlike existing approaches that optimize circuit structure and parameters separately, HyRLQAS jointly learns both topology and initialization while dynamically refining previously placed gates through reinforcement learning. Trained in a variational quantum eigensolver (VQE) environment, the agent autonomously constructs circuits that minimize molecular ground-state energy. Experimental results demonstrate that HyRLQAS achieves consistently lower energy errors and more compact circuit structures compared with discrete-only and continuous-only baselines. Furthermore, the hybrid action space yields superior parameter initializations, producing post-optimization energy distributions with consistently lower minima. These findings suggest that hybrid-action reinforcement learning offers a principled pathway toward automated and hardware-efficient quantum circuit design.
• Abstract（参考訳）: 表現的かつ訓練可能な量子回路アーキテクチャを設計することは、手動またはヒューリスティックな設計がしばしば準最適性能をもたらすため、変分量子アルゴリズムにとって大きな課題である。 本稿では,HyRLQAS(Hybrid-Action Reinforcement Learning for Quantum Architecture Search)を提案する。 回路構造とパラメータを個別に最適化する既存のアプローチとは異なり、HyRLQASはトポロジと初期化の両方を共同で学習し、強化学習を通じて予め配置されたゲートを動的に精製する。 変分量子固有解法(VQE)環境で訓練されたエージェントは、分子基底エネルギーを最小化する回路を自律的に構築する。 実験結果から,HyRLQASは離散的および連続的のみのベースラインに比べてエネルギー誤差が一定に小さく,回路構造がコンパクトであることが確認された。 さらに、ハイブリッド作用空間は優れたパラメータ初期化をもたらし、常に低い最小値で最適化後のエネルギー分布を生成する。 これらの結果は、ハイブリッドアクション強化学習が、自動およびハードウェア効率の量子回路設計への原則的な経路を提供することを示唆している。

関連論文リスト

• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• Hybrid Reward-Driven Reinforcement Learning for Efficient Quantum Circuit Synthesis [0.0]
  量子回路の効率的な合成のための強化学習フレームワークが導入された。 このフレームワークは、ターゲット状態に向かってエージェントを誘導する静的なドメインインフォームド報酬と、カスタマイズ可能な動的ペナルティを組み合わせたものだ。 最大7キュービットのグラフ状態準備タスクのベンチマークを行い、アルゴリズムが最小深度回路を常に発見できることを実証した。
  論文  参考訳（メタデータ） (2025-07-22T14:39:20Z)
• 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)
• 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)
• AC/DC: Automated Compilation for Dynamic Circuits [0.41356970190072423]
  本稿では,任意の状態あるいはユニタリ演算子を自動生成する動的量子回路を生成するための新しいフレームワークを提案する。 状態準備のための動的回路の生成,長距離エンタングゲート,回路最適化,および格子シミュレーションへの動的回路の適用を実証する。
  論文  参考訳（メタデータ） (2024-12-10T23:14:42Z)
• Characterizing randomness in parameterized quantum circuits through expressibility and average entanglement [39.58317527488534]
  量子回路(PQC)は、その主応用の範囲外ではまだ完全には理解されていない。 我々は、量子ビット接続性に関する制約の下で、PQCにおけるランダム状態の生成を分析する。 生成した状態の分布の均一性の増加と絡み合いの発生との間には,どれだけ急激な関係があるかを示す。
  論文  参考訳（メタデータ） (2024-05-03T17:32:55Z)
• Hybrid discrete-continuous compilation of trapped-ion quantum circuits with deep reinforcement learning [1.7087507417780985]
  我々は、トラップイオンコンピューティングにおいて、関連する量子回路のサイズを大幅に削減できることを示す。 私たちのフレームワークは、未知のユニタリプロセスの再生を目標とする実験的な設定にも適用できます。
  論文  参考訳（メタデータ） (2023-07-12T14:55:28Z)
• FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits [105.54048699217668]
  任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。 FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。 本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
  論文  参考訳（メタデータ） (2021-03-15T17:38:33Z)

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。