QuantFPFlow: Accelerazione Quantistica per l'Apprendimento per Rinforzo Continuo

QuantFPFlow rappresenta un framework di apprendimento per rinforzo che incorpora la stima di ampiezza quantistica nell'approccio di Fokker-Planck per l'ottimizzazione stocastica delle politiche. Mentre gli agenti RL tradizionali in spazio continuo determinano la funzione di partizione di FP con un costo di O(1/ε²), QuantFPFlow realizza un costo di O(1/ε) attraverso la stima di ampiezza amplificata da Grover, fornendo un miglioramento quadratico dimostrabile in velocità. La simulazione classica ispirata ai principi quantistici mostra già il framework algoritmico O(1/ε). La distribuzione stazionaria stimata genera un bonus di esplorazione teoricamente valido, guidando l'agente verso le aree globalmente ottimali all'interno di paesaggi di ricompensa multimodali.