強化学習

きょうかがくしゅう

正解を教えるのではなく、行動の結果に応じて与える「報酬」を手がかりに、試行錯誤でよりよい行動を学ばせる方法。

学習する側(エージェント)は、ある状態で行動を選び、その結果として報酬を受け取ります。これを繰り返して、長い目で見て報酬が最も大きくなる行動の選び方を身につけます。1989年にワトキンスが考案したQ学習は、その代表的な手法で、1992年に正しく学習できることが証明されました^[1]。

囲碁のAIやロボットの動作の学習のほか、量子コンピュータの誤り訂正で制御の設定を実行中に調整し続ける用途にも使われ始めています。