量子强化学习中的量子电路结构优化
机器学习
2025-07-02 v1 人工智能
摘要
强化学习（RL）通过与环境交互来学习最优策略，但由于在高维空间中的维度诅咒，导致学习效率下降。量子强化学习（QRL）通过利用量子计算中的叠加和纠缠，能够以更少资源有效处理高维问题。QRL将量子神经网络（QNN）与RL结合，其中参数化量子电路（PQC）作为核心计算模块。PQC通过门操作执行线性和非线性变换，类似于经典神经网络中的隐藏层。然而，前期的QRL研究使用基于经验直觉的固定PQC结构，而未验证其最优性。本文提出一种QRL-NAS算法，将量子神经架构搜索（QNAS）集成到QRL中，以优化PQC结构。实验表明，QRL-NAS相较于使用固定电路的QRL实现更高的奖励，验证了其有效性和实际应用价值。
引用
@article{arxiv.2507.00589,
title = {Quantum Circuit Structure Optimization for Quantum Reinforcement Learning},
author = {Seok Bin Son and Joongheon Kim},
journal= {arXiv preprint arXiv:2507.00589},
year = {2025}
}