无限视角平均报酬强化学习的量子加速

该研究探讨了量子加速在解决无限视界马尔可夫决策过程中的潜力。研究者们设计了一种基于乐观主义的表格型强化学习算法，并通过高效的量子均值估计技术利用代理通过量子信号获取的数据。通过理论分析，证明了量子均值估计的量子优势能够在无限视界强化学习中实现指数级的遗憾保证。所提出的量子算法实现了一个O(1)的遗憾上界，相对于经典对应方法展现的O(√T)界限有显著改进。