学习鲁棒和高精度的量子控制

Nov, 2018

Learning Robust and High-Precision Quantum Controls

Re-Bing Wu, Haijin Ding, Daoyi Dong, Xiaoting Wang

TL;DR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。

Abstract

Robust and high-precision quantum control is extremely important but challenging for the functionization of scalable quantum computation. In this paper, we show that this hard problem can be translated to a supervised machine learning task by treating the time-ordered quantum evolution

quantum control supervised machine learning neural network robustness batch-based optimization

发现论文，激发创造

通过深度强化学习实现通用量子控制

提出一种新的量子控制框架，通过在强化学习智能体的训练环境中加入控制噪声，利用强化学习技术优化量子计算的速度和保真度以及对泄漏和随机控制误差的抗扰性，最终取得了一定的优化成果。

Mar, 2018

无梯度学习量子神经网络优化

本文提出了一种新颖的元优化算法，通过对量子电路的参数进行元优化，从而最小化目标函数，避免了经典梯度优化的局限性，通过实验和理论论证，在不同数据集上，相比现有基于梯度的算法，该方法可以更快更稳定地达到更好的效果。

Apr, 2023

为量子控制设计的样本高效的基于模型的强化学习

利用基于神经常微分方程（ODE）的归纳偏置，提出了一种基于模型的强化学习（RL）方法，用于在噪声时变门优化中近似环境模型，其时间依赖部分包括控制方式完全已知。与标准的基于模型的 RL 相比，我们的方法在样本复杂度方面具有数量级的优势，适用于控制一、二量子位系统。

Apr, 2023

基于神经网络的量子反馈强化学习

本研究展示了利用神经网络强化学习在量子纠错任务中独立发现量子纠错策略的能力，并提出了包括二阶段学习和反馈优化在内的策略。这项工作不仅在量子计算方面具有重要作用，还显示了神经网络强化学习在物理学领域的潜力。

Feb, 2018

量子最优控制的高效量子算法

本论文提出了一种高效的量子算法，可用于解决量子最优控制问题，并附有详尽的误差分析，该方法基于时间依赖哈密顿模拟和梯度估算算法，并牵涉到了机器学习。但该算法需要容错量子计算机的支持。

Apr, 2023

强化学习在量子控制中的优势何时显现？对态制备的比较研究

该研究比较了强化学习算法和非机器学习方法在预备所需量子态问题中的效用，得出了深度 Q-learning 和策略梯度算法在此问题中效果最佳的结论。

Feb, 2019

混合量子计算机上的无监督机器学习

利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

Dec, 2017

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

量子计算中强化学习的挑战

该研究论文介绍了量子计算在当前 NISQ 时代的限制，并提出了通过混合量子机器学习来改善量子计算架构的方法，重点是利用强化学习来优化当前的量子计算方法，并介绍了由量子架构搜索和量子电路优化引起的各种挑战，以及提出的用于学习控制一组万能量子门的具体框架，并提供基准结果以评估当前最先进算法的优点和短处。

Dec, 2023

利用人工神经网络解决量子多体问题

通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。

Jun, 2016