基于进化优化的变分量子强化学习
量子物理
2022-03-07 v1 人工智能
新兴技术
机器学习
神经与进化计算
摘要
经典强化学习（RL）与量子计算（QC）近期的进展指向了在量子计算机上执行 RL 这一有前景的方向。然而，量子 RL 的潜在应用受限于现代量子设备可用的量子比特数。在此我们提出两种使用无梯度进化优化的深度量子 RL 任务框架：首先，我们将幅值编码方案应用于 Cart-Pole 问题；其次，我们提出一种混合框架，其中量子 RL 智能体配备混合张量网络-变分量子电路（TN-VQC）架构，以处理维度超过量子比特数的输入。这使我们能够在具有 147 维输入的 MiniGrid 环境中执行量子 RL。我们展示了使用幅值编码在参数节省上的量子优势。混合 TN-VQC 架构提供了一种对输入维度进行高效压缩的自然方式，从而赋能噪声中等规模量子设备上的进一步量子 RL 应用。
引用
@article{arxiv.2109.00540,
title = {Variational Quantum Reinforcement Learning via Evolutionary Optimization},
author = {Samuel Yen-Chi Chen and Chih-Min Huang and Chia-Wei Hsing and Hsi-Sheng Goan and Ying-Jer Kao},
journal= {arXiv preprint arXiv:2109.00540},
year = {2022}
}