量子强化学习相关 AI 资讯 · AI 热点

7月8日

10:08

10:08

官方账号arXiv cs.LG@Jian Xu, Delu Zeng, John Paisley, Qibin Zhao

精选

该论文通过PAC-Bayesian框架分析了参数化量子电路(PQC)作为策略和价值函数时的泛化机制。研究发现，泛化由Fisher几何有效维度主导，而非参数数量，且纠缠会增大该维度，成为独立的复杂性轴。在固定参数数量的实验中，Fisher有效维度更大的电路显示出更大的训练-测试差距，纠缠电路比非纠缠电路泛化更差。分类、上下文强盗和值函数实验中，效果显著，且在IBM Heron量子处理器上真实噪声下依然成立。

论文 PAC-Bayesian Fisher有效维度量子策略纠缠泛化量子强化学习

推荐理由：别只看参数数量，量子电路里的纠缠才是泛化关键。这篇论文用PAC-Bayesian理论加实验验证，帮你理解怎么设计泛化更好的量子策略。

6月30日

15:05

15:05

官方账号arXiv cs.LG@Javier Lazaro, Juan-Ignacio Vazquez, Pablo Garcia-Bringas

论文提出分阶段知识蒸馏(KD)策略，用于视觉量子强化学习(QRL)。先训练经典视觉老师模型，冻结编码器作为特征接口，将老师策略行为蒸馏到紧凑下游头中。下游头可以是经典或变分量子电路(VQC)的。在CartPole Pixels和Acrobot Pixels环境上评估，结果显示浅层VQC头能在直接像素训练困难的情况下获得非平凡视觉控制行为。角度编码VQC头保持接近老师性能(约90%成功率)，而幅度编码头更紧凑(参数减少70%)但更脆弱。

论文 VQC Knowledge Distillation Quantum Reinforcement Learning 量子强化学习

推荐理由：这篇论文用蒸馏方法让量子电路也能搞定视觉强化学习，实验做得扎实，省去从头训练的麻烦。