REINFORCEMENT LEARNING USING QUANTUM BOLTZMANN MACHINES利用量子波兹曼机进行强化学习

最新推荐文章于 2025-07-08 23:50:17 发布

Adam婷

最新推荐文章于 2025-07-08 23:50:17 发布

阅读量1.9k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： AI程序员算法机器学习深度学习强化学习深度强化学习论文研读

本文链接：https://blog.youkuaiyun.com/weixin_41697507/article/details/95020827

AI程序员同时被 3 个专栏收录

166 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

机器学习

161 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

强化学习

26 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了使用量子退火设备在强化学习任务中可能超越经典计算机的可能性。研究发现，模拟量子退火（SQA）在深Boltzmann机器（DBM）和量子Boltzmann机器（QBM）中进行采样可以有效增强学习。与受限Boltzmann机（RBM）相比，DBM在训练效率上有优势。QBM方法在强化学习中的表现优于RBM，显示了其在解决探索与剥削平衡问题中的潜力。研究还讨论了DBM布局在量子退火系统中的潜在应用，尤其是在未来量子设备中的实现可能性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

REINFORCEMENT LEARNING USING QUANTUM BOLTZMANN MACHINES

利用量子波兹曼机进行强化学习

Abstract. We investigate whether quantum annealers with select chip layouts can outperform classical computers in reinforcement learning tasks. We associate a transverse eld Ising spin Hamiltonian with a layout of qubits similar to that of a deep Boltzmann machine (DBM) and use simulated quantum annealing (SQA) to numerically simulate quantum sampling from this system. We design a reinforcement learning algorithm in which the set of visible nodes representing the states and actions of an optimal policy are the rst and last layers of the deep network. In absence of a transverse eld, our simulations show that DBMs a