論文の概要: Context-Aware Error Mitigation Orchestration for Hybrid Quantum Reinforcement Learning on NISQ Systems

• arxiv url: http://arxiv.org/abs/2610.01253v1
• Date: Thu, 01 Oct 2026 07:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.974967
• Title: Context-Aware Error Mitigation Orchestration for Hybrid Quantum Reinforcement Learning on NISQ Systems
• Title（参考訳）: NISQシステムを用いたハイブリッド量子強化学習のためのコンテキスト認識誤り軽減オーケストレーション
• Abstract要約: この研究は、ハイブリッド量子古典的トレーニングループのコンテキスト対応オーケストレーション層として、Adaptive Policy-Guided Error Mitigation (APGEM)を提示する。 APGEMは、ポリシーレベルの指標を用いて、ゼロノイズ外挿(ZNE)、確率エラーキャンセル(PEC)、クリフォードデータ回帰(CDR)、リードアウトエラー緩和(REM)を評価する。 APGEMは、従来の静的緩和法を一貫して上回り、オラクル戦略のユーティリティの約94%に達し、トレーニングを通してより安定した学習行動を生成する。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Reinforcement Learning (QRL) integrates reinforcement learning with parameterized quantum circuits and is a promising approach to combinatorial optimization. On Noisy Intermediate-Scale Quantum (NISQ) devices, however, decoherence, gate imperfections, and measurement errors reduce policy quality and make learning less reliable. Existing error mitigation techniques are generally applied as fixed corrections that do not adapt to changing noise conditions or to the evolving state of training. This work presents Adaptive Policy-Guided Error Mitigation (APGEM) as a context-aware orchestration layer of the hybrid quantum-classical training loop that dynamically selects the most suitable mitigation strategy during QRL training. APGEM evaluates Zero-Noise Extrapolation (ZNE), Probabilistic Error Cancellation (PEC), Clifford Data Regression (CDR), and Readout Error Mitigation (REM) using policy-level indicators, including quantum-state fidelity, policy entropy, cumulative reward, and approximation ratio, and integrates the selected strategy directly into the reinforcement learning loop. The framework is evaluated on the Capacitated Vehicle Routing Problem (CVRP), a representative NP-hard problem in urban logistics, under a range of NISQ noise models and noise levels. APGEM consistently outperforms conventional static mitigation methods, reaches approximately 94% of the utility of an oracle strategy, maintains higher quantum-state fidelity as noise increases, and produces more stable learning behaviour throughout training. Ablation studies show that the framework learns context-aware mitigation policies that adapt to different noise environments and circuit execution conditions. These findings demonstrate that integrating adaptive error mitigation into the learning process substantially improves the robustness and reliability of QRL on NISQ hardware.
• Abstract（参考訳）: 量子強化学習(QRL)は、パラメータ化量子回路と強化学習を統合し、組合せ最適化のための有望なアプローチである。 しかし、NISQ(Noisy Intermediate-Scale Quantum)デバイスでは、デコヒーレンス、ゲート不完全性、測定誤差により、ポリシーの品質が低下し、学習の信頼性が低下する。 既存の誤差軽減技術は、ノイズ条件の変化や訓練の進行状況に適応しない固定補正として一般的に適用される。 本稿では、QRLトレーニング中に最も適切な緩和戦略を動的に選択するハイブリッド量子古典的トレーニングループのコンテキスト対応オーケストレーション層として、Adaptive Policy-Guided Error Mitigation (APGEM)を提案する。 APGEMは、Zero-Noise Extrapolation(ZNE)、Probabilistic Error Cancellation(PEC)、Clifford Data Regression(CDR)、Readout Error Mitigation(REM)を、量子状態の忠実度、ポリシエントロピー、累積報酬、近似比などのポリシレベル指標を用いて評価し、選択した戦略を直接強化学習ループに統合する。 この枠組みは,NISQノイズモデルと騒音レベルの範囲で,都市物流における代表的NPハード問題であるCVRP(Capacitated Vehicle Routing Problem)に基づいて評価される。 APGEMは、従来の静的緩和法を一貫して上回り、オラクル戦略のユーティリティの約94%に達し、ノイズの増加に伴って高い量子状態の忠実性を維持し、訓練を通してより安定した学習行動を生み出す。 アブレーション研究では、異なるノイズ環境や回路実行条件に適応する文脈対応緩和ポリシーを学習している。 これらの結果から,適応的誤り軽減を学習プロセスに統合することにより,NISQハードウェア上でのQRLの堅牢性と信頼性が大幅に向上することが示唆された。

関連論文リスト

• APGEM: Adaptive Policy-Guided Error Mitigation for Quantum Reinforcement Learning on a Real-World CVRP Case Study [0.5735035463793009]
  量子強化学習(QRL)は、変動量子回路(VQC)としてポリシーを表す。 適応型政策誘導型エラー緩和(APGEM)について紹介する。 APGEMはゼロノイズ外挿(ZNE)、確率誤差キャンセラ(PEC)、クリフォードデータ回帰(CDR)の中から選択する
  論文  参考訳（メタデータ） (2026-09-16T06:50:15Z)
• Test-Time Gradient Guidance of Flow Policies in Reinforcement Learning [50.738952715864116]
  表現的連続制御ポリシは、シミュレーションされた実ロボット制御のための模倣学習のスケーリングにおける進歩のバックボーンを形成する。 テスト時に完全にポリシー最適化を行うRLアルゴリズムであるQGF(Q-Guided Flow)を提案する。 実証的には、QGFはシングルタスクおよびゴール条件のオフラインRLベンチマークにおいて、以前のテスト時間RLメソッドよりも優れている。
  論文  参考訳（メタデータ） (2026-06-09T16:45:57Z)
• Robustness Evaluation of Hybrid Quantum Neural Networks under Noise Models via System-Level Error Mitigation [2.2452005551715657]
  本研究は、ハイブリッド量子ニューラルネットワーク(HQNN)におけるノイズ効果と緩和戦略の体系的評価を提供する。 5つの代表的なノイズチャンネルを用いたIrisデータセット実験により,ノイズの影響と緩和効果がノイズモデルとその強度に強く依存していることが判明した。
  論文  参考訳（メタデータ） (2026-04-19T16:16:50Z)
• Q-learning with Adjoint Matching [58.78551025170267]
  本稿では,新しいTD-based reinforcement learning (RL)アルゴリズムであるAdjoint Matching (QAM) を用いたQ-learningを提案する。 QAMは、最近提案された生成モデリング手法であるadjoint matchingを活用することで、2つの課題を回避している。 オフラインとオフラインの両方のRLにおいて、ハードでスパースな報酬タスクに対する従来のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-20T18:45:34Z)
• 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)
• Noise-Resilient Quantum Aggregation on NISQ for Federated ADAS Learning [0.0]
  本稿では、ノイズ耐性量子フェデレートラーニング(NR-QFL)を紹介する。 ノイズ中間スケール量子(NISQ)条件下で動作している変分量子回路(VQC)を介して、セキュアで低レイテンシのアグリゲーションを可能にする。 このフレームワークは量子強化フェデレーション学習のためのスケーラブルな基盤を確立し、車両のエッジでセキュアで効率的で動的に安定したADASインテリジェンスを実現する。
  論文  参考訳（メタデータ） (2025-12-15T11:10:40Z)
• Hybrid Quantum-Classical Policy Gradient for Adaptive Control of Cyber-Physical Systems: A Comparative Study of VQC vs. MLP [0.0]
  この研究は、古典的なベースラインとして多層パーセプトロン(MLP)と量子対向としてパラメータ化可変量子回路(VQC)を用いた。 実験の結果、古典的な最適政策収束は498.7 +/- 3.2の平均的なリターンで達成された。 VQCは14.6 +/-4.8のリターンを持つ限られた学習能力を示し、主に回路深度と量子ビット接続に制約された。
  論文  参考訳（メタデータ） (2025-10-07T15:09:29Z)
• 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)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• Projected Off-Policy Q-Learning (POP-QL) for Stabilizing Offline Reinforcement Learning [57.83919813698673]
  Projected Off-Policy Q-Learning (POP-QL) は、政治外のサンプルを同時に重み付け、分散を防止し、価値近似誤差を減らすためにポリシーを制約する新しいアクタ批判アルゴリズムである。 我々の実験では、POP-QLは標準ベンチマーク上での競合性能を示すだけでなく、データ収集ポリシーがかなり最適化されていないタスクにおいて競合するメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-11-25T00:30:58Z)

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。