‘It's-A-Me，量子 Mario：基于多芯片集 Ensemble 的可扩展量子强化学习
量子物理
2025-09-03 v1 人工智能
摘要
量子强化学习（QRL）拥有紧凑的函数逼近器和广阔 Hilbert 空间的访问权限，但其实际进展受限于 NISQ era 的约束，如受限的量子比特数和噪声累积。我们引入了一个多芯片集框架，使用多个小型量子卷积神经网络（QCNN）来克服这些限制。我们的方法将来自 Super Mario Bros 环境的复杂、高维观察划分到独立的量子电路中，然后在 Double Deep Q-Network（DDQN）框架中经典地聚合其输出。这种模块化架构使 QRL 能够在之前难以被量子智能体访问的复杂环境中实现卓越的性能和学习稳定性，优于经典基线和单芯片量子模型。多芯片集演示了通过减少维度缩减导致的信息损失，同时保持在近期可实现的量子硬件上的可行性，为将 QRL 应用于实际问题提供了实用路径。
引用
@article{arxiv.2509.00713,
title = {It's-A-Me, Quantum Mario: Scalable Quantum Reinforcement Learning with Multi-Chip Ensembles},
author = {Junghoon Justin Park and Huan-Hsin Tseng and Shinjae Yoo and Samuel Yen-Chi Chen and Jiook Cha},
journal= {arXiv preprint arXiv:2509.00713},
year = {2025}
}