面向量子计算机的 CartPole 系统实时控制
量子物理
2026-05-05 v1
摘要
量子强化学习 (QRL) 应用于实时控制系统面临硬件延迟、噪声敏感性和学习收敛性等显著挑战。本文提出了一种用于 CartPole 基准测试的最小化混合量子-经典智能体的端到端研究，旨弥合理想仿真与实际超导量子处理器 (QPU) 执行之间的差距。我们展示，单量子比特智能体作为有效的学习模型，即使混合智能体的训练受限于使用参数位移进行其量子电路组件的训练，也在显著 fewer 回合数内解决了该环境。为将学习与部署约束关联起来，我们将推断时间控制环路速率与测量 shot 预算之间的推断权衡映射，以为最终的实时控制演示提供指导。结果表明，推断控制频率和 shot 计数都强烈影响平衡稳定性：更高的推断频率始终改善性能，增加 shot 预算可降低实现近最大平衡所需的最低推断频率。这些结果突显了在 shot 计数与控制频率之间找到最佳平衡点以及开发初始状态不变电路的重要性。最后，我们通过直接通过指令表编程瑞士仪器读出电子学来规避标准高级软件堆栈，从而解决NISQ硬件上控制延迟的关键瓶颈。这些结果量化了量子辅助控制的当前边界，为实现实时闭环控制反馈所需的十Hz级吞吐量提供了起点。
引用
@article{arxiv.2605.01716,
title = {Towards Real-time Control of a CartPole System on a Quantum Computer},
author = {Nguyen Truong Thu Ngo and Väinö Mehtola and Jérome Lenssen and Peiyong Wang and Francesco Cosco and Tien-Fu Lu and James Q. Quach},
journal= {arXiv preprint arXiv:2605.01716},
year = {2026}
}