Multi-Agent Quantum Reinforcement Learning using Evolutionary Optimization

多智能体强化学习在自动驾驶和其他智能工业应用领域越来越重要。与此同时，一种利用量子力学固有属性的强化学习新方法正在兴起，可以显著减少模型的可训练参数。然而，基于梯度的多智能体量子强化学习方法经常面临着贫瘠高原的困境，使其无法与经典方法的性能相匹配。我们在现有的无梯度量子强化学习方法的基础上，提出了三种使用进化优化的变分量子电路的多智能体强化学习方法。我们在硬币游戏环境中评估了我们的方法，并将其与经典方法进行了比较。我们表明，相比于具有类似可训练参数数量的神经网络，我们的变分量子电路方法表现显著更好。与较大的神经网络相比，我们的方法使用的参数数量少了$97.88\%$，却能取得类似的结果。

论文提出了一种使用量子变分电路进行多智能体强化学习的方法，旨在解决当前量子强化学习中存在的梯度问题和参数过多的问题。

使用基于进化优化的量子变分电路方法，将其应用于多智能体强化学习中，相比于传统的神经网络方法，取得了更好的结果并且使用的参数更少。

论文在Coin Game环境中进行了实验，并且将其结果与传统方法进行了对比。实验结果表明，使用量子变分电路方法的多智能体强化学习相比于传统方法具有更好的性能，并且使用的参数数量更少。此外，论文还提供了开源代码。

相关研究包括： 1. 'Multi-Agent Reinforcement Learning in Sequential Social Dilemmas' by Iqbal and Sha (2019) 2. 'A Comprehensive Survey on Safe Reinforcement Learning' by García and Fernández (2015) 3. 'Quantum Reinforcement Learning' by Dunjko et al. (2018)