BCQQ：基于循环数据重上传的批约束量子 Q 学习
量子物理
2024-11-12 v2 机器学习
摘要
深度强化学习（DRL）通常需要大量数据与环境交互，使得训练过程耗时漫长。在批强化学习（batch RL）中，智能体仅基于预先收集的数据集训练而无环境交互，这一挑战更为严峻。量子计算的最新进展表明，与经典方法相比，量子模型训练所需数据可能更少。本文中，我们通过在离散批约束深度 Q 学习（BCQ）算法中利用变分量子线路（VQC）作为函数逼近器，提出一种批强化学习算法来探究这一潜在优势。此外，我们通过在数据编码层中循环移位输入变量的顺序，引入了一种新颖的数据重上传方案。我们在 OpenAI CartPole 环境中评估了算法的效率，并将其性能与基于经典神经网络的离散 BCQ 进行比较。
引用
@article{arxiv.2305.00905,
title = {BCQQ: Batch-Constraint Quantum Q-Learning with Cyclic Data Re-uploading},
author = {Maniraman Periyasamy and Marc Hölle and Marco Wiedmann and Daniel D. Scherer and Axel Plinge and Christopher Mutschler},
journal= {arXiv preprint arXiv:2305.00905},
year = {2024}
}