Мультиагентне навчання з підкріпленням для оптимізації квантових схем
У статті представлено підхід до оптимізації квантових схем на основі мультиагентного навчання з підкріпленням (Multi-Agent Reinforcement Learning — MARL), у якому алгоритм MAPPO (Multi-Agent Proximal Policy Optimization — мультиагентна проксимальна оптимізація політики) поєднується з графовими нейро...
Gespeichert in:
| Veröffentlicht in: | Проблеми керування та інформатики |
|---|---|
| Datum: | 2025 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2025
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/211413 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Мультиагентне навчання з підкріпленням для оптимізації квантових схем / І.І. Кирилов, І.П. Сініцин // Проблемы управления и информатики. — 2025. — № 4. — С. 109-123. — Бібліогр.: 16 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862668217813565440 |
|---|---|
| author | Кирилов, І.І. Сініцин, І.П. |
| author_facet | Кирилов, І.І. Сініцин, І.П. |
| citation_txt | Мультиагентне навчання з підкріпленням для оптимізації квантових схем / І.І. Кирилов, І.П. Сініцин // Проблемы управления и информатики. — 2025. — № 4. — С. 109-123. — Бібліогр.: 16 назв. — укр. |
| collection | DSpace DC |
| container_title | Проблеми керування та інформатики |
| description | У статті представлено підхід до оптимізації квантових схем на основі мультиагентного навчання з підкріпленням (Multi-Agent Reinforcement Learning — MARL), у якому алгоритм MAPPO (Multi-Agent Proximal Policy Optimization — мультиагентна проксимальна оптимізація політики) поєднується з графовими нейронними мережами (Graph Neural Networks — GNN). Актуальність дослідження зумовлена необхідністю зменшення кількості вентилів і глибини схем у квантовій компіляції задля підвищення стійкості до шумів та ефективності виконання алгоритмів на сучасних квантових пристроях.
The article presents an approach to quantum circuit optimization based on Multi-Agent Reinforcement Learning (MARL), which integrates the MAPPO algorithm with Graph Neural Networks (GNNs). The relevance of the research stems from the need to reduce gate counts and circuit depth in quantum compilation to enhance noise resilience and execution efficiency on current quantum devices.
|
| first_indexed | 2026-03-16T11:49:25Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-211413 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Ukrainian |
| last_indexed | 2026-03-16T11:49:25Z |
| publishDate | 2025 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Кирилов, І.І. Сініцин, І.П. 2026-01-01T22:52:07Z 2025 Мультиагентне навчання з підкріпленням для оптимізації квантових схем / І.І. Кирилов, І.П. Сініцин // Проблемы управления и информатики. — 2025. — № 4. — С. 109-123. — Бібліогр.: 16 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/211413 004.4ʼ427 004.4ʼ416 10.34229/1028-0979-2025-4-7 У статті представлено підхід до оптимізації квантових схем на основі мультиагентного навчання з підкріпленням (Multi-Agent Reinforcement Learning — MARL), у якому алгоритм MAPPO (Multi-Agent Proximal Policy Optimization — мультиагентна проксимальна оптимізація політики) поєднується з графовими нейронними мережами (Graph Neural Networks — GNN). Актуальність дослідження зумовлена необхідністю зменшення кількості вентилів і глибини схем у квантовій компіляції задля підвищення стійкості до шумів та ефективності виконання алгоритмів на сучасних квантових пристроях. The article presents an approach to quantum circuit optimization based on Multi-Agent Reinforcement Learning (MARL), which integrates the MAPPO algorithm with Graph Neural Networks (GNNs). The relevance of the research stems from the need to reduce gate counts and circuit depth in quantum compilation to enhance noise resilience and execution efficiency on current quantum devices. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблеми керування та інформатики Роботи та системи штучного інтелекту Мультиагентне навчання з підкріпленням для оптимізації квантових схем Multi-agent reinforcement learning for quantum circuit optimization Article published earlier |
| spellingShingle | Мультиагентне навчання з підкріпленням для оптимізації квантових схем Кирилов, І.І. Сініцин, І.П. Роботи та системи штучного інтелекту |
| title | Мультиагентне навчання з підкріпленням для оптимізації квантових схем |
| title_alt | Multi-agent reinforcement learning for quantum circuit optimization |
| title_full | Мультиагентне навчання з підкріпленням для оптимізації квантових схем |
| title_fullStr | Мультиагентне навчання з підкріпленням для оптимізації квантових схем |
| title_full_unstemmed | Мультиагентне навчання з підкріпленням для оптимізації квантових схем |
| title_short | Мультиагентне навчання з підкріпленням для оптимізації квантових схем |
| title_sort | мультиагентне навчання з підкріпленням для оптимізації квантових схем |
| topic | Роботи та системи штучного інтелекту |
| topic_facet | Роботи та системи штучного інтелекту |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/211413 |
| work_keys_str_mv | AT kirilovíí mulʹtiagentnenavčannâzpídkríplennâmdlâoptimízacííkvantovihshem AT síníciníp mulʹtiagentnenavčannâzpídkríplennâmdlâoptimízacííkvantovihshem AT kirilovíí multiagentreinforcementlearningforquantumcircuitoptimization AT síníciníp multiagentreinforcementlearningforquantumcircuitoptimization |