基于 Lipschitz 正则化的量子强化学习鲁棒性与泛化能力研究

量子机器学习利用量子计算来提升准确性并降低模型复杂度，相较于经典方法，有望在多个领域取得重大进展。在该领域中，量子强化学习备受关注，通常使用变分量子电路来近似策略函数。本文通过结合量子计算与控制理论的原理，探讨了量子强化学习的鲁棒性与泛化能力。利用近期关于鲁棒量子机器学习的研究成果，我们使用 Lipschitz 界提出了一种量子策略梯度方法的正则化版本，称为 RegQPG 算法。我们证明，使用 RegQPG 进行训练能提升所得策略的鲁棒性和泛化能力。此外，我们引入了一种结合课程学习的算法变体，以最大限度地减少训练过程中的失败。我们的发现通过数值实验得到验证，展示了所提方法的实际效益。