使用混合量子神经网络的深度强化学习

​

Deep Reinforcement Learning Using Hybrid Quantum Neural Network

解决问题：这篇论文旨在解决机器学习算法在处理高维度数据或减少深度神经网络模型的总体训练参数方面的限制。同时，它还试图验证基于门控量子计算的参数化量子电路在解决无模型强化学习问题方面的潜力。

关键思路：本文的关键思路是设计一个基于门控量子计算的参数化量子电路，来解决模型无关的强化学习问题。这种方法与当前领域的研究相比，具有创新性和前瞻性。

其他亮点：本文使用了最新的Qiskit和PyTorch框架设计和训练了一个新颖的基于PQC的模型，并与完全经典的深度神经网络进行了比较。研究还探索了深度量子学习在解决迷宫问题或其他强化学习问题方面的潜力。值得注意的是，本文没有提供开源代码，但是作者提供了数据集和实验细节。

关于作者：主要作者Hao-Yuan Chen是来自台湾清华大学的博士后研究员，他的研究兴趣包括量子计算和机器学习。他之前的代表作包括“Quantum Circuit Born Machine”和“Quantum Approximate Optimization Algorithm”。

相关研究：近期的相关研究包括“Quantum Reinforcement Learning”（作者：Petar Jurcevic等，机构：Google AI Quantum），以及“Quantum-enhanced deep reinforcement learning”（作者：Jacob Biamonte等，机构：Skolkovo Institute of Science and Technology）。

论文摘要：这篇文章介绍了使用混合量子神经网络进行深度强化学习的方法。量子计算对于推动当前机器学习算法在处理更高维度数据或减少深度神经网络模型的总体训练参数方面有着强大的影响。基于基于门的量子计算机，设计了一个参数化的量子电路来解决一个深度Q学习方法的无模型强化学习问题。本研究对其潜力进行了调查和评估。因此，设计并训练了一个基于最新的Qiskit和PyTorch框架的新型PQC，与完全经典的深度神经网络进行比较，其中包括集成PQC和不集成PQC的情况。在研究结束时，总结了研究结果，并展望了在解决迷宫问题或其他强化学习问题方面发展深度量子学习的前景。

​Read More