論文の概要: Replay-buffer engineering for noise-robust quantum circuit optimization

• arxiv url: http://arxiv.org/abs/2604.21863v1
• Date: Thu, 23 Apr 2026 16:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.773673
• Title: Replay-buffer engineering for noise-robust quantum circuit optimization
• Title（参考訳）: ノイズロバスト量子回路最適化のためのリプレイバッファ工学
• Authors: Akash Kundu, Sebastian Feld,
• Abstract要約: 我々はリプレイバッファを量子最適化のためのアルゴリズムレバーとして扱う。 ReaPER$+$は、トレーニングの早い段階でTDエラー駆動の優先順位付けから、値推定が成熟するにつれて、信頼性に配慮したサンプリングへと移行する、アニーレートされたリプレイルールである。 また,12キュービット最適化問題に対して,複数回のアーキテクチャ編集に対して高価な評価を行い,12キュービット最適化問題に対して最大6.7.5%の時間削減を行うOpsCRLQASを導入する。
• 参考スコア（独自算出の注目度）: 2.816047365212878
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep reinforcement learning (RL) for quantum circuit optimization faces three fundamental bottlenecks: replay buffers that ignore the reliability of temporal-difference (TD) targets, curriculum-based architecture search that triggers a full quantum-classical evaluation at every environment step, and the routine discard of noiseless trajectories when retraining under hardware noise. We address all three by treating the replay buffer as a primary algorithmic lever for quantum optimization. We introduce ReaPER$+$, an annealed replay rule that transitions from TD error-driven prioritization early in training to reliability-aware sampling as value estimates mature, achieving $4-32\times$ gains in sample efficiency over fixed PER, ReaPER, and uniform replay while consistently discovering more compact circuits across quantum compilation and QAS benchmarks; validation on LunarLander-v3 confirms the principle is domain-agnostic. Furthermore we eliminate the quantum-classical evaluation bottleneck in curriculum RL by introducing OptCRLQAS which amortizes expensive evaluations over multiple architectural edits, cutting wall-clock time per episode by up to $67.5\%$ on a 12-qubit optimization problem without degrading solution quality. Finally we introduce a lightweight replay-buffer transfer scheme that warm-starts noisy-setting learning by reusing noiseless trajectories, without network-weight transfer or $ε$-greedy pretraining. This reduces steps to chemical accuracy by up to $85-90\%$ and final energy error by up to $90\%$ over from-scratch baselines on 6-, 8-, and 12-qubit molecular tasks. Together, these results establish that experience storage, sampling, and transfer are decisive levers for scalable, noise-robust quantum circuit optimization.
• Abstract（参考訳）: 量子回路最適化のための深層強化学習(RL)は、時間差(TD)ターゲットの信頼性を無視したバッファの再生、各環境ステップで完全な量子古典的評価をトリガーするカリキュラムベースのアーキテクチャ検索、ハードウェアノイズ下でのリトレーニング時のノイズのない軌道の定期的な破棄という3つの基本的なボトルネックに直面している。 本稿では,リプレイバッファを量子最適化のためのアルゴリズムレバーとして扱うことにより,これら3つの問題に対処する。 ReaPER$+$は、トレーニングの早い段階でTDエラー駆動の優先順位付けから信頼性を考慮したサンプリングへと移行し、固定されたPER、ReaPER、均一なリプレイでサンプル効率の$ゲインを達成し、量子コンパイルとQASベンチマークでよりコンパクトな回路を一貫して発見し、LunarLander-v3での検証によりドメインに依存しないことを確認する。 さらに,カリキュラムRLにおける量子古典的評価ボトルネックを,複数のアーキテクチャ編集において高価な評価を損なうOPtCRLQASを導入し,12ビット最適化問題に対して,解品質を劣化させることなく,1回あたりのウォールタイムを最大67.5\%削減することで解消する。 最後に、ネットワークウェイト転送やε$-greedy事前学習を使わずに、ノイズのない軌跡を再利用してノイズを発生させる軽量なリプレイバッファ転送方式を提案する。 これにより、化学精度が最大で85-90\%、最終エネルギー誤差が6-、8-、12-クビットの分子タスクにおけるオフスクラッチベースラインよりも90\%以上削減される。 これらの結果は、ストレージ、サンプリング、転送がスケーラブルでノイズの少ない量子回路最適化のための決定的なレバーであることを示す。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Noise-Adaptive Quantum Circuit Mapping for Multi-Chip NISQ Systems via Deep Reinforcement Learning [0.0]
  本稿では,双方向長短期記憶に基づく動的雑音適応ネットワークを統合した深層強化学習フレームワークDeepQMapを提案する。 本手法は,量子系の動作の時間的表現を学習することで,ハードウェアのダイナミクスに継続的に適応する。 DeepQMapは平均回路忠実度が0.920 pm 0.023$であり、最先端のQUBO法よりも統計的に49.3%向上している。
  論文  参考訳（メタデータ） (2025-11-22T14:27:55Z)
• CAGE: Curvature-Aware Gradient Estimation For Accurate Quantization-Aware Training [73.46600457802693]
  本稿では,量子化による損失に対応する新しい手法を提案する。 CAGEは、同様の計算コストで、精度の観点から最先端の手法を大幅に改善する。 LlamaモデルのQAT事前トレーニングでは、CAGEは4ビット(W4A4)で達成された精度と事前のベストメソッドとを一致させる。
  論文  参考訳（メタデータ） (2025-10-21T16:33:57Z)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• Revisiting Noise-adaptive Transpilation in Quantum Computing: How Much Impact Does it Have? [2.8256522972153335]
  超伝導量子コンピュータ上での頻繁なノイズ適応トランスパイルの必要性を再考する。 ノイズを意識したトランスパイレーションは、キュービットの小さなサブセットにワークロードを集中させる。 キャリブレーションデータで一度コンパイルされた回路は、複数のキャリブレーションサイクルで確実に再利用できる。
  論文  参考訳（メタデータ） (2025-07-01T21:20:51Z)
• TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architecture search [2.345518191053745]
  変分量子アルゴリズムは、ノイズの多い中間スケール量子ハードウェア上で既に有意義な量子問題に対処する約束を持っている。 量子アーキテクチャサーチ(QAS)は、量子回路の設計プロセスを自動化する。 有望なアプローチとして出現する強化学習(RL)。 $textitTensorRL-QAS$は、ネットワークメソッドとRLを組み合わせた改善されたフレームワークである。
  論文  参考訳（メタデータ） (2025-05-14T13:23:34Z)
• 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)
• Cost Explosion for Efficient Reinforcement Learning Optimisation of Quantum Circuits [55.616364225463066]
  強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。 私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。 本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-11-21T10:16:03Z)
• Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
  本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。 3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
  論文  参考訳（メタデータ） (2021-08-03T17:49:09Z)
• QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits [26.130594925642143]
  ノイズノイズは、NISQ(Noisy Intermediate-Scale Quantum)コンピュータにおける鍵となる課題である。 可変回路と量子ビットマッピングのノイズ適応型共同研究のための,最初の包括的なフレームワークであるQuantumNASを提案し,実験的に実装した。 QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて証明した。
  論文  参考訳（メタデータ） (2021-07-22T17:58:13Z)

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。