Quanten-gestützte Rainbow DQN reduziert Ressourcenallokation um 27 %

Ein neues Verfahren namens Variational Quantum Rainbow DQN (VQR‑DQN) kombiniert die Stärken von Quantencomputern mit dem bewährten Rainbow Deep Q‑Network, um das schwierige Problem der Ressourcenallokation zu lösen. Durch die Einbindung ring‑topologischer variationaler Quantenkreise nutzt VQR‑DQN Quanten‑Superposition und -Verflechtung, um die Repräsentationskraft der Lernalgorithmen deutlich zu erhöhen.

Die Autoren modellieren die Personalressourcenallokation als Markov‑Entscheidungsprozess mit kombinatorischen Aktionsräumen, die die Fähigkeiten von Beamten, Ereignispläne und Übergangszeiten berücksichtigen. Auf vier Standard‑Benchmarks erzielt VQR‑DQN eine um 26,8 % verbesserte, normalisierte Makespan‑Reduktion gegenüber zufälligen Baselines und übertrifft sowohl Double DQN als auch das klassische Rainbow DQN um 4,9 % bis 13,4 %.

Diese Ergebnisse stützen sich auf theoretische Zusammenhänge zwischen der Ausdrucksfähigkeit von Quantenkreisen, ihrer Verflechtung und der Qualität der erlernten Politik. Sie zeigen, dass quantum‑enhanced Deep Reinforcement Learning ein vielversprechender Ansatz für groß angelegte Ressourcenallokationsprobleme ist.

Der komplette Code ist frei verfügbar unter https://github.com/Analytics-Everywhere-Lab/qtrl/.