量子科技中心_量科网

量子强化学习（QRL）作为一种融合量子信息处理与强化学习框架的前沿研究方向崭露头角。尽管现有QRL研究多将量子智能体应用于经典环境，但研究人员已意识到，QRL的优势在具有本质量子特性的环境中才能得到最自然的体现——这类环境中智能体的观测与交互均源自量子过程。本工作提出了一种基于隐藏信息挑战-响应任务的量子强化学习环境：Alice将经典比特编码至量子电路参数中，而配备强化学习智能体的Bob则通过有限数量的量子态副本与系统交互以推断隐藏比特值。该智能体需在明确资源约束下选择测量策略并决定交互终止时机。为验证所提环境的可解性，该团队考察了三类智能体：纯经典智能体、轻量混合智能体及深度混合智能体。实验通过不同交互惩罚机制分析了推理准确度与量子资源消耗的权衡关系，结果表明轻量混合智能体仅需两个量子态副本即可实现可靠推断，在严格资源限制条件下性能超越经典基准和深度混合智能体。研究进一步评估了实际量子噪声模型下的鲁棒性，并探讨了该环境在量子辅助认证等安全导向应用中的潜在价值。