OpenAI Gym 中的光子量子策略学习
量子物理
2021-08-31 v1 机器学习
机器学习
摘要
近年来,近期含噪中等规模量子(NISQ)计算设备已经可用。利用此类 NISQ 量子计算机原型最具前景的应用领域之一是量子机器学习。虽然量子神经网络在监督学习中被广泛研究,量子强化学习仍是该领域中一个新兴方向。为解决一个经典连续控制问题,我们采用连续变量量子机器学习方法。我们引入了面向光子变分量子智能体的近端策略优化,并研究了数据重上传的效应。我们通过使用 Strawberry Fields(一种光子模拟器 Fock 后端)以及连接到 OpenAI Gym 环境和 TensorFlow 的混合训练框架进行实证研究,给出性能评估。对于受限 CartPole 问题,两种光子策略学习变体达到了可比的性能水平,并且比具有相同数量可训练参数的基线经典神经网络收敛更快。
引用
@article{arxiv.2108.12926,
title = {Photonic Quantum Policy Learning in OpenAI Gym},
author = {Dániel Nagy and Zsolt Tabi and Péter Hága and Zsófia Kallus and Zoltán Zimborás},
journal= {arXiv preprint arXiv:2108.12926},
year = {2021}
}
备注
7 pages