Apprendimento per Rinforzo Quantistico per la Sintesi di Processi

Uno studio recente evidenzia l'apprendimento per rinforzo quantistico (RL) come un approccio promettente per affrontare le sfide della sintesi di processi. I ricercatori hanno stabilito un quadro generalizzato che ridefinisce la sintesi di processi come un processo decisionale markoviano, incorporando algoritmi RL potenziati quantisticamente per migliorare la scalabilità. I precedenti metodi RL quantistici presentavano limitazioni a causa delle richieste di qubit che aumentavano significativamente con la complessità del problema. Questa ricerca affronta tale problema implementando algoritmi di codifica degli stati, che separano i requisiti di qubit dalla dimensione del problema. Una strategia basata su RL classico è stata utilizzata come riferimento per valutare gli algoritmi quantistici nelle stesse condizioni di addestramento. Tutti gli algoritmi sono stati testati su un problema di sintesi di flowsheet con diversi conteggi di unità per valutare le loro prestazioni e scalabilità, con risultati che indicano che ogni metodo ha identificato con successo la configurazione ottimale del flowsheet.