Analyzing Reinforcement Learning strategies from a parameterized quantum walker

Analyzing Reinforcement Learning strategies from a parameterized quantum walker

Abstract:

Reinforcement Learning hat erhebliche Fortschritte bei der Lösung komplexer Probleme gemacht. Daher ist es nicht verwunderlich, dass es in verschiedenen Anwendungsbereichen zu finden ist. Auch die Quanteninformatik ist ein blühender Bereich, in dem in den letzten Jahrzehnten große Fortschritte zu verzeichnen waren. Bessere Quantencomputer führten zur ersten experimentell nachgewiesenen Quantenüberlegenheit. In der Folge wuchs das Forschungsgebiet, was zu Verbesserungen in verschiedenen Anwendungsbereichen des Quantencomputings führte. Einer davon ist das Quantenverstärkungslernen, bei dem das Quantencomputing mit klassischen Verstärkungslerntechniken kombiniert wird. Neben anderen Ansätzen werden Quantenwanderungen als Quantenberechnungsrahmen verwendet, was auch in der vorliegenden Arbeit der Fall ist. Hier wird der Ansatz verwendet, parametrisierte Münzmatrizen zu verwenden, um das Verhalten des Walkers, angepasst an Gittergraphen, zu bestimmen. Dabei sollen die Parameter der Münzmatrizen so erlernt werden, dass eine optimierte Leistung des Walkers zur Erfüllung einer bestimmten Aufgabe erreicht wird. In dieser Arbeit wird die Machbarkeit dieses Ansatzes auf einer Gitterwelt anhand von Gittern der Größe 2×2 und 4×4 untersucht. Darüber hinaus wird ein neues Konzept zur Einbeziehung zusätzlicher Randbedingungen durch Einführung eines zusätzlichen Umgebungsqubits vorgestellt und dessen Einfluss auf den Optimierungsprozess der Parameter untersucht. Die Ergebnisse können als Beweis für das Konzept angesehen werden, da der hier verwendete Ansatz in allen Experimenten bessere Ergebnisse als die zufällige Basislinie zeigt. Zudem kann kein negativer Einfluss des Umgebungsqubits festgestellt werden. Die hier gewonnenen Ergebnisse sind eine Grundlage für weitere Forschungen mit diesem Ansatz.

Autor:in:

Lorena Wemmer

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht Mai 2023 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer