Feb, 2020

控制的在线优化学习（COOL）：通过强化学习寻找自旋哈密顿量的基态

PDF
TL;DR通过强化学习方法，在模拟环境下优化模拟降温黑箱算法，对比标准启发式温度计划，从而寻找温度计划，以便能够成功地退火降温，实现全局最优解，提高了系统的性能。
发现论文，激发创造
  • 量子控制不同阶段的强化学习

    本文采用最新的强化学习技术，通过优化找到非可积多体量子系统中从初始状态到目标状态的短高保真度驱动协议，同时在协议时长的空间中呈现类自旋玻璃相变，并揭示了基于强化学习的 RL 方法在非平衡量子物理应用中的潜在用途。

    May, 2017

  • 强化学习辅助的量子优化

    我们提出了一个基于强化学习的算法，用于量子近似优化算法（QAOA）内的量子反馈控制，能够基于局部信息选择控制参数，并实现了训练数据的小样本转移学习。

    Apr, 2020

  • 测试自旋玻璃基态的深度强化学习启发式算法：更大的全局视角

    该论文提出了一种基于增强学习的深度学习方法来增强组合优化启发式的能力，并在多个自旋玻璃基态问题中进行了实验，展示了该方法相对于其它启发式方法的优越性。

    Feb, 2023

  • 应用强化学习鉴定量子热机中的最优循环

    引入了基于强化学习的通用框架，以发现最大化量子热力机和制冷机功率的最佳热力循环，这在改进现有的量子信息处理技术中扮演着重要角色。

    Aug, 2021

  • 强化学习驱动的启发式优化

    本文介绍了一种使用强化学习初值方法框架来改善启发式算法的初始解决方案的方法，并在 NP 完全的装箱问题上的实验中展示了 RLHO 方法比我们的基线表现更好。

    Jun, 2019

  • 增强强化学习的量子启发式组合优化算法

    本文提出了一种基于量子启发式算法 + 强化学习的方法，在解决 Ising 能量最小化问题方面，该方法通过调整其中一个参数以改进最近看到的解，并使用一种新的 Rescaled Rank Reward (R3) 方法来提高稳定的自我博弈训练效果。训练后可在任何问题实例中采样高质量的解，并优于基线启发式和黑盒超参数优化方法。

    Feb, 2020

  • 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

  • 通过强化学习实现产品 - 公式哈密顿模拟的编译

    深度强化学习在无序量子电路编译任务中表现优异，减少了大约 50% 的门数量，并展示了机器学习技术在量子编译任务中的辅助能力。

    Nov, 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

  • 一种基于增强式强化学习的量子系统控制方法

    提出了一种基于增强强化学习（QSC-ERL）的量子系统控制方法，使用增强神经网络将强化学习中的状态和动作映射到量子系统中的量子状态和控制操作，在有限资源的条件下能够实现接近 1 的保真度的量子系统学习控制，并且在量子状态演化中所需的周期较少。

    Sep, 2023