基于进化优化的多智能体量子强化学习
量子物理
2025-01-03 v4 人工智能
多智能体系统
摘要
在自动驾驶与其他智能工业应用时代，多智能体强化学习正变得愈发重要。同时，一种利用量子力学固有性质、显著减少模型可训练参数的强化学习新方案正在兴起。然而，基于梯度的多智能体量子强化学习方法常受困于贫瘠高原，使其难以匹敌经典方法性能。尽管无梯度量子强化学习可缓解部分挑战，其亦非对贫瘠高原困难免疫。我们基于现有无梯度量子强化学习方法，提出三种使用变分量子线路、借助进化优化的多智能体强化学习遗传变体。我们在 Coin Game 环境中评估这些遗传变体，并与经典方法比较。我们表明，相较于可训练参数规模相近的神经网络，变分量子线路方法性能显著更优。与更大的神经网络相比，我们的方法以少 的参数取得了相近结果。
引用
@article{arxiv.2311.05546,
title = {Multi-Agent Quantum Reinforcement Learning using Evolutionary Optimization},
author = {Michael Kölle and Felix Topp and Thomy Phan and Philipp Altmann and Jonas Nüßlein and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2311.05546},
year = {2025}
}