Fugu-MT 論文翻訳(概要): Quantum Advantage in Multi Agent Reinforcement Learning

論文の概要: Quantum Advantage in Multi Agent Reinforcement Learning

arxiv url: http://arxiv.org/abs/2605.14235v1
Date: Thu, 14 May 2026 01:03:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-15 21:45:34.559588
Title: Quantum Advantage in Multi Agent Reinforcement Learning
Title（参考訳）: マルチエージェント強化学習における量子アドバンテージ
Abstract要約: 量子マルチエージェント強化学習(QMARL)におけるエージェント調整における量子絡み合いの実証評価について述べる。エンタングル QMARL エージェントが 0.854 の Tsirelson 限界に近づき、量子的優位性を示す。また,ベル状態がコーディネートゲインを実現し,他の状態が積極的に性能を損なうような,特定の絡み合い構造の効果についても検討する。
参考スコア（独自算出の注目度）: 0.42970700836450487
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an empirical evaluation of quantum entanglement in agent coordination within quantum multi agent reinforcement learning (QMARL). While QMARL has attracted growing interest recently, most prior work evaluates quantum policies without provable baselines, making it impossible to rigorously distinguish quantum advantage from algorithmic coincidence. We address this directly by evaluating a decentralized QMARL framework with variational quantum circuit (VQC) actors with shared entangled states. In the CHSH game, which has a mathematically proven classical performance ceiling of 0.75 win rate, we show that entangled QMARL agents approach the Tsirelson limit of 0.854, providing clear evidence of their quantum advantage. We show that unentangled quantum circuits match the classical baseline, confirming that entanglement and not the quantum circuit itself is the active coordination mechanism. We also explore the effect of specific entanglement structures, as some Bell states enable coordination gains while others actively harm performance. On cooperative navigation (CoopNav), QMARL without entanglement achieves $\sim2\times$ improvement in success rate over classical MAA2C ($\sim$0.85 versus $\sim$0.40), with the hybrid configuration, quantum actor paired with a classical centralised critic, outperforming both fully classical and fully quantum solutions. We present our experimental analysis and discuss future work.
Abstract（参考訳）: 本稿では,量子マルチエージェント強化学習(QMARL)におけるエージェント調整における量子絡み合いの実証評価について述べる。 QMARLは近年関心が高まりつつあるが、多くの先行研究は証明可能なベースラインなしで量子ポリシーを評価しており、量子上の利点とアルゴリズム上の偶然を厳密に区別することは不可能である。本稿では,分散化QMARLフレームワークと変分量子回路(VQC)アクターを共有絡み状態で評価することにより,この問題を直接解決する。数学的に証明された古典的性能天井の0.75勝率を持つCHSHゲームにおいて、絡み合ったQMARLエージェントがチレルソン極限0.854に近づき、量子的優位性を示す。量子回路が古典的ベースラインと一致することを示し、量子回路自体ではなく絡み合いがアクティブな調整機構であることを確認した。また,ベル状態がコーディネートゲインを実現し,他の状態が積極的に性能を損なうような,特定の絡み合い構造の効果についても検討する。協調ナビゲーション(CoopNav)では、QMARLは古典的MAA2C($\sim$0.85 vs$\sim$0.40)よりも成功率の向上を達成し、ハイブリッド構成では、古典的中央集権的な批評家と組み合わせて、完全に古典的および完全量子的ソリューションよりも優れている。実験分析を行い,今後の課題について論じる。

関連論文リスト

Quantum Proper Scoring Rules: Minimax Estimation and Resource-Theoretic Advantages [0.0]
適切なスコアリングルールを量子領域に一般化し、確率分布を密度演算子に置き換える。演算子凸生成器を介して量子値関数を定義し、適切な量子スコアリング規則を生成する完全双対理論を確立する。この結果は,量子センサ,インセンティブに適合する量子データ市場,堅牢な量子機械学習プロトコルの設計を導くものである。
論文参考訳（メタデータ） (2026-05-06T11:23:07Z)
A Study on Thermal Quantum Resources and Probabilistic Teleportation in Spin-1/2 Heisenberg XYZ+DM+KSEA Model under Variable Zeeman Splitting [0.8136541584281987]
Dzyaloshinsky-Moriya (DM) と Kaplan--Shekhtman--Entin-Wohlman--Aharony (KSEA) 相互作用を加えたスピン-1/2ハイゼンベルクXYZモデルにおける量子コヒーレンスと量子相関の測定についての研究
論文参考訳（メタデータ） (2024-05-25T16:13:40Z)
eQMARL: Entangled Quantum Multi-Agent Reinforcement Learning for Distributed Cooperation over Quantum Channels [98.314893665023]
量子コンピューティングは、マルチエージェント環境における量子絡み合いと協調の潜在的なシナジーを引き起こした。現在の最先端量子MARL(QMARL)の実装は、古典的な情報共有に依存している。 eQMARL(eQMARL)は、量子チャネル上での協調を容易にする分散型アクター批判フレームワークである。
論文参考訳（メタデータ） (2024-05-24T18:43:05Z)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
Quantum Advantage Actor-Critic for Reinforcement Learning [5.579028648465784]
本稿では,Advantage Actor-Criticアルゴリズムと変分量子回路を組み合わせた新しい量子強化学習手法を提案する。複数の量子アドバンテージ・アクター・クリティカル構成をよく知られたカートポール環境で実証的にテストし、連続的な状態空間を持つ制御タスクにおける我々のアプローチを評価する。
論文参考訳（メタデータ） (2024-01-13T11:08:45Z)
Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文参考訳（メタデータ） (2023-04-04T12:47:35Z)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
Experimental violations of Leggett-Garg's inequalities on a quantum computer [77.34726150561087]
単一および多ビット系におけるLeggett-Garg-Bellの不等式違反を実験的に観察する。本分析では, 量子プラットフォームの限界に注目し, 上記の相関関数は, 量子ビットの数や回路深さが大きくなるにつれて, 理論的予測から逸脱することを示した。
論文参考訳（メタデータ） (2021-09-06T14:35:15Z)
Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。