基于量子强化学习的经典稀有动力学：通过内在傅里叶特征实现增强
量子物理
2025-04-24 v1
摘要
稀有事件对于理解非平衡和工业系统的行为至关重要。开发有效方法来搜索稀有事件一直是持续关注的焦点。随着量子计算及其在某些概率分布抽样方面的潜在优势出现，亟需探讨量子计算机是否也能为抽样稀有事件的统计数据提供优势或激发新方法。本文提出了一种用于研究稀有动力学的量子强化学习 (QRL) 方法，并探讨其相对于基于神经网络的经典方法的优势。作为概念验证示例，我们展示了我们的 QRL 代理能够学习和生成随机游走的稀有动力学，并通过参数化量子电路的内在傅里叶特征解释了这一成功及其不同贡献因素。此外，我们显示在参数更少的情况下，QRL 的学习行为优于经典方法。这项工作首次针对生成稀有事件的 QRL 进行探讨，表明 QRL 是研究稀有事件动力学和统计数据方面的有前景的方法。
引用
@article{arxiv.2504.16258,
title = {Quantum reinforcement learning of classical rare dynamics: Enhancement by intrinsic Fourier features},
author = {Alissa Wilms and Laura Ohff and Andrea Skolik and Jens Eisert and Sumeet Khatri and David A. Reiss},
journal= {arXiv preprint arXiv:2504.16258},
year = {2025}
}