机构名称：
¥ 1.0
摘要 — 量子计算 (QC) 和神经组合优化 (NCO) 的进步代表着解决复杂计算挑战的有希望的步骤。一方面，变分量子算法（例如 QAOA）可用于解决各种组合优化问题。另一方面，同一类问题可以通过 NCO 解决，这种方法已显示出有希望的结果，特别是自引入图神经网络以来。鉴于这两个研究领域的最新进展，我们引入了基于汉密尔顿的量子强化学习 (QRL)，这是一种 QC 和 NCO 交叉的方法。我们直接根据组合优化问题的汉密尔顿公式对我们的假设进行建模，这使我们能够将我们的方法应用于广泛的问题。与硬件高效模拟相比，我们的模拟表现出良好的可训练性，同时与以前的方法不同，它不限于基于图的问题。在这项工作中，我们评估了基于汉密尔顿的 QRL 在一系列组合优化问题上的表现，以证明我们的方法的广泛适用性，并将其与 QAOA 进行比较。索引术语 — 量子强化学习、组合优化、神经组合优化
基于汉密尔顿的量子强化学习用于神经组合优化
主要关键词
相关文件推荐
