強化学習を用いたテンソルネットワーク縮約の最適化【JST・京大機械翻訳】

Meirom Eli A.; Maron Haggai; Mannor Shie; Chechik Gal

プレプリント

J-GLOBAL ID：202202206616368747 整理番号：22P0335263

強化学習を用いたテンソルネットワーク縮約の最適化【JST・京大機械翻訳】

Optimizing Tensor Network Contraction Using Reinforcement Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年04月18日プレプリントサーバーでの情報更新日： 2022年04月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

量子コンピューティング(QC)は計算を革命するが,現在まだ限られている。今日,量子アルゴリズムを開発し,試験するために,量子回路を古典的コンピュータ上でしばしばシミュレートする。複雑な量子回路のシミュレーションは,テンソルの大きなネットワークの収縮の計算を必要とする。収縮の次数(経路)は,計算コストに劇的な影響を与えるが,効率的な順序を見つけることは,挑戦的な組合せ最適化問題である。収縮順序問題に対処するために,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)アプローチを提案した。問題は,巨大な探索空間,重い尾の報酬分布,および挑戦的な信用割当てのために非常に挑戦的である。基本的なポリシー構成としてGNNを使用する注意深く実装されたRLエージェントが,これらの課題に対処でき,最新のQCで使用される最大のスケールネットワークを含む3種類の回路における最先端の技術に関する顕著な改善を得ることができることを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る