量子强化学习：迷宫问题

量子机器学习（QML）是一个年轻但快速发展的领域，量子信息在此与机器学习交汇。在此，我们将引入一个新的 QML 模型，将经典的强化学习概念推广到量子领域，即量子强化学习（QRL）。我们特别将这一思想应用于迷宫问题，其中智能体必须学习最优的动作序列，以最高成功概率逃离迷宫。为了执行策略优化，我们考虑了一种将 QRL 与经典深度神经网络相结合的混合协议。特别地，我们发现智能体在经典和量子机制下都能学习到最优策略，并且我们还研究了其在噪声环境中的行为。结果表明，量子加速确实稳健地允许智能体在极短的时间尺度上利用有用的动作，其中量子相干性和外部噪声发挥了关键作用。这一新框架具有很高的潜力，可应用于新一代含噪中等规模量子（NISQ）设备中执行不同的任务（例如高传输/处理率和量子纠错），其拓扑工程正开始成为解决现实世界问题实际应用的一个新的关键控制旋钮。谨以此文纪念 Peter Wittek。