量子ビットから動作へ：ロボット箱詰め順序決定のための追跡可能な行動来歴を持つハイブリッド量子強化学習

- ロボットの bin-packing sequencing と simulated robotic placement のための hybrid quantum reinforcement learning (QRL) フレームワーク。 - 量子回路出力が制約付き行動に影響し、ロボット実行まで traceable であるかを検証することに焦点。 - 4つの Pauli-$Z$ readout を actor と critic の唯一の学習入力とし、support mask で許容物体選択を強制。 - 各決定を step index と SHA-256 fingerprint で sealed route、Cartesian/IK waypoint、関節運動、MuJoCo contact replay に連結。

- 従来の hybrid QRL 評価は task success、return、convergence に偏り、量子回路出力が制約付き行動に与える影響や実行までの追跡可能性が未解決だった。 - 本研究は evidence-centered framework を掲げ、決定から接触までの traceability を再現可能に評価。 - 固定状態での zero-readout intervention により、決定が joint circuit representation に依存することを定量的に示す点が新しい。 - 具体的な先行研究名の比較は要旨からは不明。

- 4つの Pauli-$Z$ readout のみを actor と critic の学習入力とする hybrid quantum actor-critic 構成。 - support mask により admissible object selection を制約。 - 各決定を step index と SHA-256 fingerprint で sealed route に記録し、deterministic Cartesian/IK waypoint、prescribed joint motion、MuJoCo contact replay へ連結。 - frozen checkpoint を用い、5つの deterministic 30-object scene variants で評価。

- 5つの deterministic 30-object scene variants で frozen checkpoint を評価。 - 全150 placements が support、containment、settling criteria を満たした。 - fixed-state zero-readout intervention が決定の $90.0\pm0.0\%$ を変化させ、joint circuit representation への依存を示した。 - mean macro travel $34.537\pm0.206$ m、inference $8.60\pm1.27$ ms/route、replay の mean final position error $8.764\pm0.220~\mu$m、最大 interpenetration 0.356 mm を報告。

- 決定から接触までの再現可能な traceability を確立したと主張。 - zero-readout intervention の結果は回路表現への依存を示すが、その解釈や限界の詳細は要旨からは不明。 - 評価は simulated robotic placement と限られた scene variants に基づく。 - 実機検証や他タスクへの一般化、量子優位性の議論は要旨からは不明。

- 要旨で参照/比較されている個別研究は明示されていない。 - 関連手法として hybrid quantum reinforcement learning、quantum actor-critic、Pauli-$Z$ readout を用いた QRL を挙げる。 - 実行検証の文脈で MuJoCo contact replay、inverse kinematics waypoint 生成に関する研究が次に読む候補。 - 具体的な論文名は要旨からは不明。