连续动作空间中的量子强化学习
量子物理
2025-03-19 v5 机器学习
摘要
量子强化学习（QRL）是近期量子设备的一种有前景的范式。尽管现有 QRL 方法在离散动作空间中已取得成功，但由于离散化带来的维度灾难，将这些技术扩展到连续域具有挑战性。为克服此限制，我们引入了量子深度确定性策略梯度（DDPG）算法，该算法高效地处理连续动作空间中的经典与量子序贯决策问题。此外，我们的方法便于单次量子态生成：一次性优化产生一个模型，该模型输出将固定初态驱动至任意目标态所需的控制序列。相比之下，传统量子控制方法对每个目标态都需单独优化。我们通过仿真展示了方法的有效性，并讨论了其在量子控制中的潜在应用。
引用
@article{arxiv.2012.10711,
title = {Quantum reinforcement learning in continuous action space},
author = {Shaojun Wu and Shan Jin and Dingding Wen and Donghong Han and Xiaoting Wang},
journal= {arXiv preprint arXiv:2012.10711},
year = {2025}
}
备注
18 pages, 9 figures