論文の概要: Towards Real-time Control of a CartPole System on a Quantum Computer
- arxiv url: http://arxiv.org/abs/2605.01716v1
- Date: Sun, 03 May 2026 05:18:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.899812
- Title: Towards Real-time Control of a CartPole System on a Quantum Computer
- Title（参考訳）: 量子コンピュータ上でのカートポールシステムのリアルタイム制御に向けて
- Authors: Nguyen Truong Thu Ngo, Väinö Mehtola, Jérome Lenssen, Peiyong Wang, Francesco Cosco, Tien-Fu Lu, James Q. Quach,
- Abstract要約: この研究は、CartPoleベンチマークに適用された最小のハイブリッド量子古典エージェントのエンドツーエンド調査を示す。
本研究では,シングルキュービットエージェントが効果的な学習モデルとして機能し,従来のアクター・クリティック・ネットワークよりもはるかに少ないエピソードで環境を解決できることを実証する。
- 参考スコア（独自算出の注目度）: 1.0260880679794957
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of quantum reinforcement learning (QRL) to real-time control systems faces significant challenges regarding hardware latency, noise susceptibility, and learning convergence. This work presents an end-to-end investigation of a minimal hybrid quantum-classical agent applied to the CartPole benchmark, addressing the gap between idealized simulation and execution on a physical superconducting quantum processing unit (QPU). We demonstrate that a single-qubit agent acts as an effective learning model, solving the environment in substantially fewer episodes than a comparable classical actor-critic network even when the training of the hybrid agent is restricted to use parameter-shift for its quantum circuit component. To connect learning to deployment constraints, we map the inference-time trade-off between control-loop rate and measurement shot budget to provide guidance for an eventual real-time control demonstration. The resulting performance matrices show that both inference control frequency and shot count strongly affect balancing stability: higher inference frequencies consistently improve performance, and increasing the shot budget lowers the minimum inference frequency required to achieve near-maximal balancing. These results highlight the importance of finding an optimal medium between shot count and control frequency and developing circuits that are e.g. initial-state invariant. Lastly, we address the critical bottleneck of control latency on NISQ hardware by bypassing the standard high-level software stack and programming the Zurich Instruments readout electronics directly via command tables. These results quantify some of the current boundaries of quantum-assisted control and provide a start for achieving the tens-of-hertz throughput required for real-time closed-loop control feedback.
- Abstract（参考訳）: リアルタイム制御システムへの量子強化学習(QRL)の適用は、ハードウェア遅延、ノイズ感受性、学習収束に関する重大な課題に直面している。
この研究は、CartPoleベンチマークに適用された最小のハイブリッド量子古典エージェントをエンドツーエンドで調査し、理想化されたシミュレーションと物理超伝導量子処理ユニット(QPU)上での実行の間のギャップに対処する。
単一量子ビットエージェントが効果的な学習モデルとして機能することを示し、ハイブリッドエージェントのトレーニングが量子回路コンポーネントのパラメータシフトに制限されている場合でも、同等の古典的アクター・クリティックネットワークよりもはるかに少ない時間で環境を解決できることを実証する。
学習とデプロイメントの制約を結びつけるために、制御ループ率と計測ショット予算との推論時トレードオフをマッピングし、最終的なリアルタイム制御デモのガイダンスを提供する。
その結果, 推論制御周波数とショット数の両方がバランスの安定性に強く影響し, 高い推論周波数は一貫して性能を向上し, ショット予算の増大により, ほぼ最大バランスを達成するために必要な最小の推論周波数が低下することがわかった。
これらの結果は、ショットカウントと制御周波数の間の最適な媒体を見つけることの重要性と、eg初期状態不変の回路を開発することの重要性を強調している。
最後に、標準の高レベルソフトウェアスタックをバイパスし、コマンドテーブルから直接チューリッヒ・インスツルメンツ・リードアウト・エレクトロニクスをプログラムすることで、NISQハードウェアにおける制御遅延の致命的なボトルネックに対処する。
これらの結果は、量子アシスト制御の現在の境界を定量化し、リアルタイム閉ループ制御フィードバックに必要な数十ヘルツスループットを達成するための出発点を提供する。
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) - Quantum Machine Learning for Secondary Frequency Control [0.0]
本稿では, ディーゼル発電機における実時間二次周波数制御に純変分量子回路(VQC)を用いる新しい手法を提案する。
提案したVQCは、実行中に独立して動作し、古典量子データ交換のレイテンシを除去する。
VQCは、十分な量子測定ショットで高い予測精度(90%以上)を達成し、様々なテストイベントにわたってうまく一般化する。
論文 参考訳（メタデータ） (2025-11-29T15:03:52Z) - CLASS: A Controller-Centric Layout Synthesizer for Dynamic Quantum Circuits [58.16162138294308]
CLASSは、分散制御システムにおけるコントローラ間通信遅延を低減するために設計された、コントローラ中心のレイアウトシンセサイザーである。
評価の結果、CLASSは通信遅延を最大100%減らし、追加操作数の平均2.10%しか増加しないことがわかった。
論文 参考訳（メタデータ） (2025-09-19T08:11:55Z) - Quantum Reinforcement Learning-Guided Diffusion Model for Image Synthesis via Hybrid Quantum-Classical Generative Model Architectures [2.005299372367689]
本稿では,各段階でCFGを動的に調整するQRL(quantum reinforcement learning)コントローラを提案する。
コントローラは、ハイブリッド量子-古典的アクター-批判的アーキテクチャを採用する。
CIFAR-10の実験は、QRLポリシーが知覚品質を改善することを示した。
論文 参考訳（メタデータ） (2025-09-17T16:47:04Z) - 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) - Adaptive Job Scheduling in Quantum Clouds Using Reinforcement Learning [1.0542466736167886]
現在の量子システムは、量子ビット数制限、短いコヒーレンス間隔、エラーに対する高い感受性など、重大なボトルネックに直面している。
本稿では、リアルタイムな古典チャネルを介して接続されたネットワークQPU上での分散スケジューリングと並列実行をサポートするシミュレーションベースのツールを提案する。
論文 参考訳（メタデータ） (2025-06-12T16:54:19Z) - Compressed-sensing Lindbladian quantum tomography with trapped ions [44.99833362998488]
量子システムの力学を特徴づけることは、量子情報プロセッサの開発における中心的な課題である。
従来の欠点を緩和するLindbladian quantum tomography(LQT)の2つの改良点を提案する。
論文 参考訳（メタデータ） (2024-03-12T09:58:37Z) - 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) - Robust Control of Single-Qubit Gates at the Quantum Speed Limit [0.0]
最適なバランスをとるために、基礎となる頑健な時間最適制御問題について検討する。
系のユニタリプロパゲータのテイラー展開に基づいて、拡張有限次元系の最適制御として設計問題を定式化する。
単一量子ビット系の数値シミュレーションにより、得られた時間-最適制御パルスはゲート誤差を効果的に抑制できることを示した。
論文 参考訳（メタデータ） (2023-09-11T10:10:58Z) - Quantum Federated Learning with Entanglement Controlled Circuits and
Superposition Coding [44.89303833148191]
我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。
本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。
画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
論文 参考訳（メタデータ） (2022-12-04T03:18:03Z) - Experimentally Realizing Efficient Quantum Control with Reinforcement
Learning [2.733342606024131]
我々は,171mathrmYb+$イオンを捕捉した深部強化学習(DRL)に基づく量子制御の代替手法を実験的に実証した。
特に、DRLはショートカットからアディバティティティ(STA)に束縛された実行時間を持つ高速で堅牢なデジタル量子演算に繋がることがわかった。
我々の実験は、デジタル量子制御の一般的な枠組みを明らかにし、量子情報処理の有望な向上につながった。
論文 参考訳（メタデータ） (2021-01-22T09:34:58Z)
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。