Nov, 2015

设计高保真单次三量子比特门：机器学习方法

PDF
TL;DR使用机器学习算法（Subspace-Selective Self-Adaptive Differential Evolution），我们提出了一种设计三比特量子门的方案，包括 Toffoli 门、控制非非门和 Fredkin 门。这些门适用于由三个最近邻耦合的超导人造原子组成的系统，并且经过了数值模拟，在存在噪声的情况下其容错率高达 99.9%。
quantum gateserror correctionquantum computingsuperconducting artificial atomsmachine learning
发现论文，激发创造
  • 超导量子计算机上基于实验深度强化学习的错误鲁棒门集设计

    使用深度强化学习方法，在超导量子计算机上设计出一组通用的、能够容错的逻辑门，无需了解系统的特定哈密顿模型、控制或基础误差过程并表现出卓越的性能，与其他黑盒优化技术相比具有可比性或略微更优的性能。

    May, 2021

  • 量子门控制的深度强化学习

    本研究构建了一个深度强化学习的神经网络（DDDQN）来控制可控参数的时间依赖性，以高效、精确地实现两种典型的量子门：单量子比特哈达玛门和双量子比特 CNOT 门，从而实现了高效、精确的量子门控制，为更多的深度强化学习技术在量子控制问题中的研究铺平了道路。

    Feb, 2019

  • 使用最优控制的保护超导量子比特的通用门

    利用量子最优控制理论实现超导电路的量子门控制，通过多目标优化获得实现高保真度量子门控制，解决了在保护量子位和零 -π 量子位之间进行直接比例转移的难题，同时使用随机化方法有效地提高了量子门的精准性和抗噪声性能。

    Aug, 2019

  • 基于光量子计算机的状态制备和门合成机器学习方法

    利用机器学习和优化技术，我们使用基于连续变量的量子神经网络作为电路结构，通过寻找量子电路来实现输入和输出状态之间的变换，以及合成单光子、Gottesman-Kitaev-Preskill 态、NOON 态、立方相位门、随机酉门、Cross-Kerr 相互作用等多种状态和门。

    Jul, 2018

  • 机器学习优化量子电路合成

    本文提出了一种名为 QSeed 的基于机器学习的种子综合算法，通过学习量子数据集，能够快速地提出实现单位矩阵的资源有效电路，并在 64 个量子位 Shor 因子分解算法的核心组件中，将合成时间加速了 3.7 倍。

    Jun, 2023

  • 区分量子测量轨迹并提高读出精度的机器学习方法

    采用聚类方法增强机器学习，将量子信息协议中的超导量子比特系统的测量轨迹进行分类，诊断系统错误，并改进分类方法，提高测量精度。

    Nov, 2014

  • 基于电路的量子分类器

    本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

    Apr, 2018

  • 可编程超导量子比特的实验性量子对抗学习

    本文报道了第一个用可编程超导量子位的量子对抗学习实验，结果表明量子学习系统在对抗场景下存在一定的易受攻击性，并证明了对抗训练过程可以显著增强其抵御干扰性攻击的鲁棒性。

    Apr, 2022

  • 学习鲁棒和高精度的量子控制

    本文展示了可以将时间有序的量子演化视作层次有序的神经网络，并将鲁棒控制看作是训练高度泛化的神经网络，利用批处理优化技巧使优化的结果能够显着提高控制的鲁棒性和保持高保真度。

    Nov, 2018

  • 受控非门的量子过程重构

    本文通过量子过程重构完整地描述了一个二量子位纠缠过程 —— 利用线性光学控制的 NOT 门，同时进行探测，并使用极大似然估计将实验数据转化为物理过程矩阵。该过程矩阵可以精确地预测门的操作结果，并计算本门的性能指标（包括平均门保真度、平均纯度和纠缠能力），分别为 0.90、0.83 和 0.73。

    Feb, 2004