面向连续环境量子强化学习的变分量子电路设计
量子物理
2024-05-15 v1
摘要
量子强化学习(QRL)作为强化学习(RL)的一个分支出现,它在算法架构中使用量子子模块。QRL 的一个分支专注于用变分量子电路(VQC)替代神经网络(NN)作为函数逼近器。初步工作在具有离散动作空间的经典环境中显示出有希望的结果,但 VQC 的许多所提架构设计选择缺乏详细研究。因此,在这项工作中,我们研究了 VQC 设计选择(如角度嵌入、编码块架构和后处理)对 QRL 智能体训练能力的影响。我们表明,VQC 设计极大地影响训练性能,并启发式地推导出针对所分析组件的改进方案。此外,我们展示了如何设计 QRL 智能体以解决具有连续动作空间的经典环境,并将我们的智能体与经典前馈神经网络进行了基准测试。
引用
@article{arxiv.2312.13798,
title = {Variational Quantum Circuit Design for Quantum Reinforcement Learning on Continuous Environments},
author = {Georg Kruse and Theodora-Augustina Dragan and Robert Wille and Jeanette Miriam Lorenz},
journal= {arXiv preprint arXiv:2312.13798},
year = {2024}
}