量子多智能体元强化学习

尽管量子优越性尚待实现，但近期人们越来越关注在实用量子计算时代即将来临之际识别量子机器学习（QML）的潜力。受此驱动，本文基于量子神经网络（QNN）具有两个独立可训练参数维度的独特特性——影响输出量子比特态的角度参数，以及与输出测量基相关的极点参数——重新设计了多智能体强化学习（MARL）。利用这种双重可训练性作为元学习能力，我们提出了量子元MARL（QM2ARL），其首先进行角度训练以实现元QNN学习，随后进行极点训练以实现少样本或局部QNN训练。为避免过拟合，我们开发了一种角度到极点正则化技术，在角度训练期间向极点域注入噪声。此外，通过利用极点作为每个已训练QNN的存储地址，我们引入了极点内存的概念，允许仅使用双参数极点值来保存和加载训练好的QNN。我们从理论上证明了在角度到极点正则化下角度训练的收敛性，并通过仿真证实了QM2ARL在获得高奖励和快速收敛方面的有效性，以及极点内存在快速适应时变环境中的有效性。