量子科技中心_量科网

基于参数化量子电路（PQC）的量子强化学习（QRL）已成为量子计算与强化学习（RL）交叉领域的前沿范式。尽管PQC在设计上构建了量子-经典混合模型，但其实际应用仍受限于训练不稳定性、贫瘠高原（BP）现象以及难以量化各组件独立贡献等问题。该工作通过系统性实验评估了三个关键要素：（i）采用数据重上传（DR）等先进策略的数据嵌入方法；（ii）量子线路设计中纠缠效应的作用；（iii）量子测量后处理模块，特别是尚未充分探索的输出复用（OR）技术。研究团队在统一的PPO-CartPole框架下，对混合智能体与经典智能体进行同等条件对比。结果表明：OR技术虽属经典范畴，却在混合系统中呈现独特行为；DR显著提升了训练可行性与稳定性；而过强纠缠会抵消经典优化优势。这些发现为量子与经典组件的协同机制提供了可控实验证据，并建立了可复现的QRL系统基准测试与组件分析方法框架。