Quantum Bayesian Networks Can Speed up Reinforcement Learning in Partially Observable Environments
Dieses Paper führt Quantum Bayesian Reinforcement Learning (QBRL) ein, einen hybriden quanten-klassischen Algorithmus, der durch die Nutzung von Quanten-Rejection-Sampling für Belief-Updates eine subquadratische Beschleunigung bei der Planung für teilweise beobachtbare Umgebungen mit spärlicher Dynamik erreicht, während gleichzeitig nachgewiesen wird, dass sich solche Vorteile nicht auf vollständig beobachtbare Settings oder Netzwerke mit hohem In-Degree erstrecken.