基于自适应非局域可观测量的量子强化学习
量子物理
2025-07-29 v1 人工智能
机器学习
摘要
混合量子-经典框架利用量子计算进行机器学习；然而，变分量子电路 (VQC) 受限于需要局部测量。我们在 VQCs 中引入基于自适应非局域可观测量 (ANO) 的范式，用于量子强化学习 (QRL)，同时优化电路参数和多比特测量。ANO-VQC 架构作为深度 Q 网络 (DQN) 和异步优势演员-评论家 (A3C) 算法中的函数逼近器。在多个基准任务上，ANO-VQC 智能体超越基线 VQCs。消融研究表明，自适应测量在不增加电路深度的情况下拓展了函数空间。我们的结果表明，自适应多比特可观测量可实现量子强化学习中的实际量子优势。
关键词
引用
@article{arxiv.2507.19629,
title = {Quantum Reinforcement Learning by Adaptive Non-local Observables},
author = {Hsin-Yi Lin and Samuel Yen-Chi Chen and Huan-Hsin Tseng and Shinjae Yoo},
journal= {arXiv preprint arXiv:2507.19629},
year = {2025}
}
备注
Accepted at IEEE Quantum Week 2025 (QCE 2025)