【标题】Deep Reinforcement Learning With Quantum-Inspired Experience Replay

【作者团队】Qing Wei , Hailan Ma , Chunlin Chen , Daoyi Dong

【发表日期】2022.8.18

【论文链接】https://ieeexplore.ieee.org/document/9357477

【推荐理由】本文提出了一种受量子计算启发的新型训练范式，用于具有经验回放的深度强化学习 (DRL)。与 DRL 中传统的经验回放机制相比，具有量子启发的经验回放(DRL-QER) 的 DRL 根据每个经验的复杂性和回放时间（也称为转换）自适应地从重放缓冲区中选择经验，以在探索和利用之间取得平衡。在 DRL-QER 中，转换首先以量子表示形式表示，然后对转换执行准备操作和折扣操作。在这个过程中，准备操作反映了时间差误差（TD-errors）与经验重要性之间的关系，同时考虑了折扣操作，保证了过渡的多样性。在 Atari 2600 游戏上的实验结果表明，DRL-QER 在大多数此类游戏上都优于最先进的算法，并提高了训练效率，并且也适用于基于内存的 DRL 方法。