論文の概要: Towards Surrogate Based Dequantization of Quantum Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.16266v1
• Date: Mon, 14 Sep 2026 19:26:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.212152
• Title: Towards Surrogate Based Dequantization of Quantum Reinforcement Learning
• Title（参考訳）: 量子強化学習のサロゲートに基づく定式化に向けて
• Abstract要約: 我々は,このサロゲートに基づくデクエント化プログラムを強化学習に拡張するために,教師あり学習のための最近のカーネルベースのデクエント化結果に基づいて構築する。 我々は、古典的な量子回路の帰納バイアスに適合するように設計された古典的なカーネルを持つ古典的なカーネル化されたQ-Iterationに対して、有限サンプル保証を提供する。
• 参考スコア（独自算出の注目度）: 0.1749935196721634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the utility of parameterized quantum circuits as function approximators has been widely studied. In the context of reinforcement learning, this approach has led to variational quantum algorithms such as quantum Q-learning. While these methods show promising empirical results, and can provide provable advantages for artificial problems, it remains unclear whether they can provide a provable quantum advantage over classical approaches for problems of practical relevance. A natural way to investigate this question is through the lens of dequantization: The construction of efficient classical algorithms capable of matching the performance of quantum variational methods. Building on recent kernel-based dequantization results for supervised learning, we take steps towards extending this surrogate-based dequantization program to reinforcement learning. Specifically, we study the simplified setting of reinforcement learning with a uniform generative model in which uniformly random state-action samples are available, which models the regime of sampling from a large experience replay buffer after sufficient exploration. Within this setting, we provide finite sample guarantees for classical kernelized Fitted Q-Iteration, with classical kernels designed to match the inductive bias of particular parameterized quantum circuits. Using these results, we then provide a set of sufficient conditions, on the data-encoding strategy of a parameterized quantum circuit, the corresponding classical kernel, and the problem structure, under which kernelized Fitted Q-Iteration provides a meaningful dequantization of quantum Q-learning, in this simplified setting. Apart from providing rigorous dequantization guarantees when these conditions are met, these results also motivate the use of kernelized fitted Q-iteration as a dequantization heuristic when these sufficient conditions cannot be verified.
• Abstract（参考訳）: 近年,関数近似器としてのパラメタライズド量子回路の有用性が広く研究されている。 強化学習の文脈では、このアプローチは量子Q-ラーニングのような変分量子アルゴリズムに導かれる。 これらの手法は有望な経験的結果を示し、人工的な問題に対して証明可能な利点を与えることができるが、実用的妥当性の問題に対する古典的なアプローチよりも証明可能な量子的優位性を提供できるかどうかは不明である。 量子変分法の性能をマッチングできる効率的な古典的アルゴリズムの構築。 教師あり学習のための最近のカーネルベースのデクエント化結果に基づいて,このサロゲートベースのデクエント化プログラムを強化学習に拡張する。 具体的には,一様ランダムな状態反応サンプルが利用可能となる一様生成モデルを用いて,強化学習の簡易化について検討する。 この設定の中で、古典的量子化量子回路の帰納バイアスに適合するように設計された古典的カーネルを持つ古典的カーネルの量子化Q-Iterationに対する有限サンプル保証を提供する。 これらの結果を用いて、パラメータ化された量子回路のデータエンコーディング戦略、対応する古典的カーネル、および問題構造に関する十分な条件のセットを提供する。 これらの条件が満たされたときの厳密な復位保証を提供する以外に、これらの結果は、これらの十分な条件が検証できないときの復位ヒューリスティックとして、カーネル化された適合Q-イテレーションの使用を動機付けている。

関連論文リスト

• A Quantum-Inspired Dequantization Method for Diagonally Weighted Matrix Functions: Application to Learning with Optimized Random Features [0.9558392439655014]
  このタイプの量子アドバンテージ候補に対処する古典的アルゴリズムを開発した。 この方法を適用すると、最適化されたランダムな特徴に対してサンプルを復号化し、古典的なサンプルは所定の精度と実行時間を与える。
  論文  参考訳（メタデータ） (2026-09-09T18:23:55Z)
• Learnable yet not simulable: a quantum resource theory of learning models [57.695822250391906]
  量子資源が量子回路の古典的な学習可能性を支配するかは、いまだ不明である。 チューナブル量子回路系の期待値関数について検討する。 これらの結果は,古典シミュレーションと学習の境界を記述するための定量的な資源理論の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-08-03T14:48:03Z)
• Quantum Approximate Walk Algorithm [0.6306978246081341]
  本稿では、量子ビット数に応じて線形に増加する回路深さを特徴とする古典的なデータ追跡可能な量子オラクルについて述べる。 古典的な入力と量子回路の結果の推論不可能なマッピングを確立することで、最先端のIBMハードウェアの実験結果を得た。
  論文  参考訳（メタデータ） (2025-11-10T22:43:12Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Quantum Advantage in Learning Quantum Dynamics via Fourier coefficient extraction [1.1999555634662633]
  未知のハミルトン力学を学習する際の教師付き学習バージョンに取り組む。 本研究では,この課題が自然条件下での共通複雑性仮定の下で証明可能な指数的古典量子学習の優位性が得られることを証明した。 証明可能な保証を維持しつつ、任意の量子力学にメソッドを一般化する際の限界について議論する。
  論文  参考訳（メタデータ） (2025-06-20T15:51:27Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• 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)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
  変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。 この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
  論文  参考訳（メタデータ） (2023-02-09T14:05:18Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Fundamental limitations on optimization in variational quantum algorithms [7.165356904023871]
  そのような短期量子アプリケーションを確立するための主要なパラダイムは、変分量子アルゴリズム(VQA)である。 このようなランダム回路の幅広いクラスにおいて、コスト関数の変動範囲は、高い確率で量子ビット数で指数関数的に消えることを示す。 この結果は、勾配に基づく最適化と勾配のない最適化の制約を自然に統一し、VQAのトレーニングランドスケープに余分な厳しい制約を明らかにすることができる。
  論文  参考訳（メタデータ） (2022-05-10T17:14:57Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

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。