論文の概要: Action-Factored Multi-Agent Reinforcement Learning for Scalable Quantum Device Tuning

• arxiv url: http://arxiv.org/abs/2607.09422v1
• Date: Fri, 10 Jul 2026 13:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.855562
• Title: Action-Factored Multi-Agent Reinforcement Learning for Scalable Quantum Device Tuning
• Title（参考訳）: スケーラブル量子デバイスチューニングのためのアクションファクタ型マルチエージェント強化学習
• Abstract要約: エージェントを分離し、その干渉を最小限に抑えるために、オンラインで学習したアクション空間の因子的表現を提案する。 当社のフレームワークであるQADAPTは、この因子化を利用して、局所的な測定と報酬に基づく共有ポリシを効率的に学習する。 この研究は、大規模量子プロセッサの迅速なキャリブレーションに向けたスケーラブルな経路を提供する。
• 参考スコア（独自算出の注目度）: 0.09236074230806579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative multi-agent reinforcement learning is well suited to problems with large parameter spaces and exploitable local structure, such as the tuning of electrostatically-defined quantum-dot arrays. However, if parameter cross-talk is strong, a non-stationary environment from the perspective of any individual agent can destabilize learning - the same effect that plagues manual tuning of such systems. We propose using a factored representation of the action space, learned online, to decouple agents and minimize their interference. Our framework, QADAPT, uses this factorization to efficiently learn shared policies based on local measurements and rewards. With this modular strategy, we achieve zero-shot generalization to unseen quantum device sizes and maintain an approximately constant number of convergence steps to reach target regimes. This work provides a scalable route toward the rapid calibration of large-scale quantum processors.
• Abstract（参考訳）: 協調型マルチエージェント強化学習は、静電気的に定義された量子ドットアレイのチューニングなど、大きなパラメータ空間や利用可能な局所構造の問題によく適している。 しかし、パラメータクロストークが強い場合、個々のエージェントの観点から見た非定常環境は学習を不安定にすることができる。 エージェントを分離し、その干渉を最小限に抑えるために、オンラインで学習したアクション空間の因子表現を用いることを提案する。 当社のフレームワークであるQADAPTは、この因子化を利用して、局所的な測定と報酬に基づく共有ポリシを効率的に学習する。 このモジュラー戦略により、ゼロショットの一般化を達成し、未確認の量子デバイスサイズを実現し、ターゲットレジームに到達するために、ほぼ一定数の収束ステップを維持できる。 この研究は、大規模量子プロセッサの迅速なキャリブレーションに向けたスケーラブルな経路を提供する。

関連論文リスト

• Entanglement as a Structural Complexity Axis: A PAC-Bayesian View of Generalization in Quantum Policies and Value Functions [31.082191748525137]
  我々は、回路によって誘導されるフィッシャー幾何学の有効次元によって一般化が支配されるPACBayesのアカウントを与える。 その結果,Fisher実効寸法が大きい回路は列車試験のギャップが大きく,パラメータ数も弱いことが判明した。 このメカニズムは、教師付き分類、量子文脈帯域、値関数の一般化にまたがって検証する。
  論文  参考訳（メタデータ） (2026-07-07T12:57:46Z)
• Rethinking How to Act: Action-Space Engineering for Reinforcement Learning-Based Circuit Routing in Distributed Quantum Systems [0.7856998585396422]
  本稿では,新しいアクション空間定式化と効果的なアクションマスキング戦略を組み合わせたエージェントを提案する。 提案エージェントは, モデル実行時間を最大35%削減し, トレーニングおよび推論性能の向上を実現している。
  論文  参考訳（メタデータ） (2026-05-04T09:32:33Z)
• Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty [7.889588152000197]
  演算子学習は高次元力学系の高速サロゲートモデリングを可能にする。 既存のアプローチは2次推論複雑性と信頼できない不確実性定量化という2つの基本的な制限に直面している。 両課題を同時に解決するフレームワークであるConformalized Quantum DeepONet Ensemblesを提案する。
  論文  参考訳（メタデータ） (2026-05-01T01:13:59Z)
• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• 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)
• OLALa: Online Learned Adaptive Lattice Codes for Heterogeneous Federated Learning [24.595304301100047]
  フェデレートラーニング(FL)は、生データを共有せずに、分散クライアント間で協調的なトレーニングを可能にする。 本稿では,オンライン学習適応格子(OLALa)を提案する。これは不均一なFLフレームワークで,各クライアントがその量子化器をオンラインで調整することができる。 OLALaは、様々な量子化レートでの学習性能を継続的に改善し、従来の固定コードブックや非適応方式よりも優れています。
  論文  参考訳（メタデータ） (2025-06-25T10:18:34Z)
• 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)
• Optimal control in large open quantum systems: the case of transmon readout and reset [44.99833362998488]
  本稿では, 随伴状態法と逆時間バックプロパゲーションを組み合わせることで, 極めて大規模なオープンシステム量子制御問題を解く枠組みを提案する。 超伝導量子ビットにおける2つの本質的に散逸する演算を最適化するために、この枠組みを適用した。 提案手法は, 標準パルスがほぼ最適であるのに対して, プロトコル中にトランスモンドライブを付加することで, 忠実度と持続時間の2倍向上が期待できることを示す。
  論文  参考訳（メタデータ） (2024-03-21T18:12:51Z)
• 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)
• Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
  本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。 我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:14:09Z)
• Model-Free Quantum Control with Reinforcement Learning [0.0]
  本研究では,量子制御タスクにおける強化学習エージェントをモデル無しで学習するための回路ベースアプローチを提案する。 実験可能な観測機器の測定値を用いて学習エージェントに報奨を与える方法を示す。 このアプローチは、サンプル効率の観点から、広く使われているモデルフリーメソッドよりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-04-29T17:53:26Z)
• Entanglement-assisted entanglement purification [62.997667081978825]
  本稿では,雑音や有限サイズのアンサンブルから高忠実なアンタングルを生成することのできる,エンタングルメント支援型エンタングルメント浄化プロトコルを提案する。 我々のプロトコルは任意の誤りに対処できるが、少ない誤りに最も適しており、特に減衰雑音に向いている。
  論文  参考訳（メタデータ） (2020-11-13T19:00:05Z)

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。