★ 2
量子云编排的成本延迟权衡量子强化学习
论文提出 QRLQ，将参数化量子电路与对决双深度 Q 网络结合，用于量子即服务场景下的成本-延迟感知任务调度。仿真显示其平均成本比启发式基线低 5-11%，平均延迟分别降低 17% 和 82%，同时执行保真度与保真度贪心策略相差 2% 以内。相比经典深度强化学习基线，可训练参数减少 72%。
arXiv cs.LG39 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出 QRLQ，将参数化量子电路与对决双深度 Q 网络结合，用于量子即服务场景下的成本-延迟感知任务调度。仿真显示其平均成本比启发式基线低 5-11%，平均延迟分别降低 17% 和 82%，同时执行保真度与保真度贪心策略相差 2% 以内。相比经典深度强化学习基线，可训练参数减少 72%。