量子古典ハイブリッド方策勾配によるサイバーフィジカルシステムの適応制御：VQCとMLPの比較研究

古典強化学習と量子強化学習(QRL)の比較評価研究。 - ベンチマーク制御環境として CartPole-v1 を使用。 - 古典ベースラインとして MLP エージェント、量子側として parameterized variational quantum circuit (VQC) を採用。 - 両者を500エピソードで訓練し、収束挙動・観測ノイズ下のロバスト性・計算効率を比較。

古典と量子の強化学習パラダイムを同一ベンチマークで直接比較した点。 - MLP は平均リターン 498.7 +/- 3.2 でほぼ最適方策に収束。 - VQC は平均リターン 14.6 +/- 4.8 にとどまり学習能力が限定的。 - 性能以外にノイズロバスト性と計算効率も比較軸に含めている。

ハイブリッド量子古典の policy gradient 的アプローチ。 - 古典側は MLP エージェント。 - 量子側は parameterized variational quantum circuit (VQC)。 - 両者を CartPole-v1 上で500エピソード訓練し、リターン・ノイズ応答・訓練時間・パラメータ数を評価。 - VQC の制約要因として circuit depth と qubit connectivity を指摘。

CartPole-v1 での500エピソード訓練による実証比較。 - 平均リターンと分散で収束性能を評価(MLP 498.7 +/- 3.2、VQC 14.6 +/- 4.8)。 - Gaussian perturbations を用いたノイズロバスト性分析を実施。 - パラメータ数と訓練時間の比較も実施。

現行の制御ベンチマークでは古典ニューラル方策が依然優位。 - VQC は回路深さと qubit connectivity に制約され性能が低い。 - ノイズ下では MLP は緩やかに劣化する一方、VQC は同等ノイズで高い感度を示す。 - 一方 VQC はパラメータ数が大幅に少なく、訓練時間の増加はわずかで、低リソース量子プロセッサへのスケーラビリティの可能性を示唆。 - ハードウェアノイズと表現力の制約が緩和されれば量子強化アーキテクチャの効率優位性が期待される。

要旨で参照/比較されている研究は明示されていない。 - 関連手法として variational quantum circuit (VQC)、parameterized quantum circuit (PQC)、quantum reinforcement learning (QRL)、hybrid quantum-classical policy gradient を挙げる。 - 同分野の定番として quantum approximate optimization algorithm (QAOA) や variational quantum eigensolver (VQE) 系の parameterized circuit 研究、および CartPole 上の深層強化学習ベースライン(DQN 等)が次に読む候補。