본 논문은 양자 오라클에 접근 가능한 모델 없는 환경에서의 양자 강화 학습(QRL) 문제를 다룹니다. 기존 자연 정책 경사(NPG) 알고리즘의 랜덤 샘플링을 결정론적 경사 추정 방식으로 대체하여 양자 시스템과의 원활한 통합을 가능하게 하는 양자 자연 정책 경사(QNPG) 알고리즘을 제시합니다. 이 수정으로 인해 추정기에 제한된 바이어스가 발생하지만, 이 바이어스는 절단 수준이 증가함에 따라 기하급수적으로 감소합니다. 제안된 QNPG 알고리즘은 양자 오라클에 대한 쿼리에 대해 $\tilde{\mathcal{O}}(\epsilon^{-1.5})$의 샘플 복잡도를 달성하여 MDP에 대한 쿼리에 대한 고전적 하한 $\tilde{\mathcal{O}}(\epsilon^{-2})$을 크게 개선함을 보여줍니다.
