量子决策转换器 (QDT)：量子纠缠与干涉在离线强化学习中的协同效应

离线强化学习通过从预收集的数据集中学习策略，无需与环境交互，但现有决策转换器（Decision Transformer, DT）架构在处理长期信用分配和复杂状态-动作依赖方面存在挑战。我们提出量子决策转换器（Quantum Decision Transformer, QDT），这是一种新型架构，融合量子启发的计算机制以应对这些挑战。我们的ethods方法整合了两个核心组件：量子启发注意力机制，通过纠缠操作捕捉非局部特征相关性；以及量子前馈网络，采用多路径处理和可学习的干涉实现自适应计算。通过在连续控制任务上的全面实验，我们展示了相较于标准DT，QDT实现了超过2000%的性能提升，并在不同数据质量下表现出优异的泛化能力。关键在于，我们的消融研究揭示了量子启发组件之间的强大协同效应：单独使用任一组件均无法实现竞争性能，而其组合产生的提升远超单个组件的贡献。这一协同效应表明，有效的量子启发架构设计需要而非模块化组件采纳，进行整体协同设计。我们的分析识别出三个关键计算优势：通过非局部相关性实现增强信用分配、通过并行处理实现隐式集成行为，以及通过可学习干涉实现自适应资源分配。这些发现确立了量子启发设计原则作为推动顺序决策领域Transformer架构发展的有前景的方向，其影响力 extends到神经网络架构设计更广泛的领域。