关于量子自然策略梯度
量子物理
2024-01-17 v1 机器学习
摘要
本研究深入探讨了量子Fisher信息矩阵（FIM）在提升基于参数化量子电路（PQC）的强化学习智能体性能中的作用。虽然先前的研究已强调在上下文赌博机中，用量子FIM预处理的PQC策略的有效性，但其在更广泛的强化学习环境（如马尔可夫决策过程）中的影响尚不明确。通过对量子FIM与经典FIM之间的Löwner不等式进行详细分析，本研究揭示了使用每种FIM的细微差别和影响。我们的结果表明，在没有额外见解的情况下，使用量子FIM的PQC智能体通常会引入更大的近似误差，并且不能保证比经典FIM有更好的性能。在经典控制基准上的实证评估表明，尽管量子FIM预处理优于标准梯度上升，但总体上并不优于经典FIM预处理。
引用
@article{arxiv.2401.08307,
title = {On Quantum Natural Policy Gradients},
author = {André Sequeira and Luis Paulo Santos and Luis Soares Barbosa},
journal= {arXiv preprint arXiv:2401.08307},
year = {2024}
}