論文の概要: An Irreducible Quantum Advantage in Aligning World Models with Reality

• arxiv url: http://arxiv.org/abs/2608.19779v1
• Date: Thu, 20 Aug 2026 08:23:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.494173
• Title: An Irreducible Quantum Advantage in Aligning World Models with Reality
• Title（参考訳）: 現実感を持つ世界モデルにおける未認識量子アドバンテージ
• Abstract要約: 世界モデルは真の世界のデジタルシミュラクラを提供し、エージェントを訓練し、実世界の展開にコストがかかる前にテストすることを可能にする。 これは、たとえ真の世界そのものが古典的であっても、古典的世界モデルに当てはまることを示す。 対照的に、それぞれの真の世界は、それを正確に再現する単一のクォートリットを用いて量子世界モデルを受け入れている。
• 参考スコア（独自算出の注目度）: 1.4049479722250833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World models provide digital simulacra of the true world, allowing agents to be trained and tested before costly real-world deployment. At each time step, they receive an action and generate an observation and reward matching the statistics of the true world. In complex environments where present outcomes depend on events far in the past, this requires memory. One might expect that, by increasing memory, we can always build a model accurately enough to align the optimal agent policies of the real and virtual worlds. We show that this is false for classical world models, even when the true world itself is classical. We construct true worlds for which every finite classical model fails along the same possible trajectory: it either loses the ability to distinguish actions when the true world clearly prefers one, or repeatedly assigns the highest expected reward to suboptimal actions. Its expected-reward estimates also retain a nonvanishing average error. In contrast, each such true world admits a quantum world model using a single qutrit that reproduces it exactly: its reward estimates and preferred actions always match those of the true world, ensuring that the optimal policies of the real and virtual worlds remain perfectly aligned.
• Abstract（参考訳）: 世界モデルは真の世界のデジタルシミュラクラを提供し、エージェントを訓練し、実世界の展開にコストがかかる前にテストすることを可能にする。 それぞれのステップで、アクションを受け取り、実世界の統計と一致する観察と報酬を生成する。 現在の結果が過去のイベントに依存する複雑な環境では、これはメモリを必要とする。 メモリを増やすことで、我々は常に、現実世界と仮想世界の最適なエージェントポリシーを整合させるのに十分なモデルを構築することができると期待できるかもしれない。 これは、たとえ真の世界そのものが古典的であっても、古典的世界モデルに当てはまることを示す。 我々は、すべての有限古典的モデルが同じ可能な軌道に沿って失敗する真の世界を構築する:それは、真世界が明らかにそれを好むときのアクションを区別する能力を失うか、または、最も期待される報酬を最適でない行動に繰り返し割り当てる能力を失う。 その予測逆推定は、消滅しない平均誤差も保持する。 対照的に、それぞれの真の世界は、それを正確に再現する単一のクォートリットを用いて量子世界モデルを受け入れている:その報酬推定と望ましい行動は、常に実世界のものと一致し、実世界の最適ポリシーが完全に整合していることを保証する。

関連論文リスト

• PatchWorld: Gradient-Free Optimization of Executable World Models [69.05094454437402]
  我々は、オフラインのトラジェクトリを実行可能なPythonの世界モデルに変換する、勾配のないフレームワークであるPatchWorldを紹介します。 7つのAgentGym環境の中で、PatchWorld-Simpleはコードベースの計画スコアが最も高い。 人間の特定残差バイアスは, 表面観察精度を向上するが, 判定性は低下する。
  論文  参考訳（メタデータ） (2026-05-29T06:11:14Z)
• Is Your Driving World Model an All-Around Player? [107.28582946012818]
  We introduced WorldLens, a unified benchmark that measure world-model fidelity across the full spectrum。 6つの代表モデルについて評価したところ、既存のアプローチがすべての軸にわたって支配的でないことが判明した。 アルゴリズムのメトリクスを人間の知覚でブリッジするために、26,808エントリの人間注釈付き嗜好データセットであるWorldLens-26Kをコントリビュートする。
  論文  参考訳（メタデータ） (2026-05-11T17:05:49Z)
• From Generative Engines to Actionable Simulators: The Imperative of Physical Grounding in World Models [4.52033729546524]
  世界モデルは、アクションの下で環境がどのように進化するかをシミュレートするAIシステムである。 現在の世界モデルは、高忠実度ビデオ生成が物理的および因果的ダイナミクスの理解を意味するという誤った仮定である。 現代のモデルはピクセルの予測に優れていますが、しばしば不変の制約に違反し、介入の下で失敗し、安全クリティカルな意思決定を断ち切ることを示しています。
  論文  参考訳（メタデータ） (2026-01-21T23:35:33Z)
• WorldLens: Full-Spectrum Evaluations of Driving World Models in Real World [100.68103378427567]
  エージェントは現実的な4D駆動環境を合成し、説得力があるように見えるが、物理的または行動的に失敗することが多い。 モデルがどのように構築され、理解され、その生成された世界の中でどのように振る舞うかを評価するフルスペクトルベンチマークであるWorldLensを紹介します。 さらに、数値的なスコアとテキストの合理性を備えた人間の注釈付きビデオの大規模データセット WorldLens-26K を構築し、WorldLens-Agent を開発した。
  論文  参考訳（メタデータ） (2025-12-11T18:59:58Z)
• From Masks to Worlds: A Hitchhiker's Guide to World Models [97.94109752910457]
  これは世界模型の典型的な調査ではなく、世界を築きたい人々のためのガイドである。 「我々は、世界モデルに言及したすべての論文をカタログ化しようとはしない。」
  論文  参考訳（メタデータ） (2025-10-23T15:46:44Z)
• AdaWorld: Learning Adaptable World Models with Latent Actions [76.50869178593733]
  我々は,効率的な適応を実現する革新的な世界モデル学習手法であるAdaWorldを提案する。 主要なアイデアは、世界モデルの事前トレーニング中にアクション情報を統合することである。 次に、これらの潜伏行動を条件とした自己回帰的世界モデルを開発する。
  論文  参考訳（メタデータ） (2025-03-24T17:58:15Z)
• Dream to Manipulate: Compositional World Models Empowering Robot Imitation Learning with Imagination [25.62602420895531]
  DreMaは、実世界の学習された明示的な表現とそのダイナミクスを使って、デジタル双生児を構築するための新しいアプローチである。 DreMaはタスク毎の1つの例から新しい物理タスクを学べることを示す。
  論文  参考訳（メタデータ） (2024-12-19T15:38:15Z)
• Learning World Models for Unconstrained Goal Navigation [4.549550797148707]
  本研究では,世界モデル学習のための目標指向探索アルゴリズムであるMUNを紹介する。 MUNは、リプレイバッファ内の任意のサブゴール状態間の状態遷移をモデル化することができる。 その結果、MUNは世界モデルの信頼性を高め、政策の一般化能力を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-11-03T01:35:06Z)
• Hieros: Hierarchical Imagination on Structured State Space Sequence World Models [4.922995343278039]
  ヒエロス(Hieros)は、時間的抽象世界表現を学習し、潜在空間における複数の時間スケールでの軌跡を想像する階層的な政策である。 我々は,Atari 100kベンチマークにおいて,平均および中央値の正規化人間のスコアにおいて,この手法が技術状況より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-08T13:52:40Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)

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。