利用强化学习的拓扑量子编译

Apr, 2020

Topological Quantum Compiling with Reinforcement Learning

Yuan-Hang Zhang, Pei-Lin Zheng, Yi Zhang, Dong-Ling Deng

TL;DR本文提出了一种基于深度强化学习的高效量子编译算法，该算法可以将任意单比特门编译成由有限通用基础门组成的门序列，并且适用于各种场景下。通过实际应用到拓扑编译的情况，得到了任意单比特酉变换的近似最优编织序列，展现了这种算法在量子物理中深度学习应用的前景。

Abstract

quantum compiling, a process that decomposes the quantum algorithm into a series of hardware-compatible commands or elementary gates, is of fundamental importance for quantum computing. We introduce an efficient

quantum compiling deep reinforcement learning elementary gates topological compiling single-qubit gate

发现论文，激发创造

深度强化学习在量子编译中的应用

利用深度强化学习方法，快速创建单量子比特运算序列，以在计算机内实时将高级量子算法转换为低级量子门电路，省略传统方法的耗时，实现量子编译的实时化。

May, 2021

超导处理器上的强化学习量子编译

我们开发了一个基于强化学习的量子编译器，对超导处理器进行了演示，展示了其发现具有短长度的新型硬件友好电路的能力，并能够在设备拓扑约束下找到最佳电路。

Jun, 2024

基于增强学习的实用高效量子电路综合与映射

通过使用强化学习方法，将其整合到量子传递工作流中，实现了量子电路的综合和路由优化，且在速度和优化的效果上明显超越其他方法，在实际的量子传递过程中显示出很高的实用性。

May, 2024

量子辅助的量子编译

提出了一种基于变分混合量子 - 经典算法的量子编译方法 (QAQC)，使用可训练的可逆门 $V$ 和目标可逆门 $U$ 的重叠作为编译代价，通过量子计算进行评估，其编译成果可以用于量子算法深度压缩、黑盒编译、噪音缓解和基准测验。

Jul, 2018

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

使用强化学习在量子编译器中执行量子比特路由

该论文提出了一种使用改进的深度 Q 学习范例的量子比特路由程序，能够在近期架构大小的随机和现实电路上优于目前两种最先进的量子编译器的比特路由程序。

Jul, 2020

深度强化学习的量子电路优化

本研究使用基于强化学习的方法对量子电路进行优化，通过深度卷积神经网络，实现了对于特定架构的任意量子电路的自主学习及优化。对 12 比特电路进行实验得出优化效果，平均深度降低 27％，门数降低 15％，并探讨了方法在近期量子设备上的可行性。

Mar, 2021

定向量子电路综合的强化学习环境

利用强化学习环境，通过量子电路综合的方式可靠设计最小量子电路，针对目标初始化和量子比特数量进行了实验，达到对 2 比特贝尔态的选择性设计。

Jan, 2024

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

量子电路综合和编译优化：概述与前景

本文论述了量子计算作为克服后摩尔时代计算能力瓶颈的一种有前途的范式，特别是超导量子处理器的日益成熟，为量子算法的发展和实施提供了更多的可能性。此外，研究还表明相关算法的规模和精确度正在稳步提高，尤其是与人工智能方法的整合。本文系统地回顾和总结了大量的文献，探讨了从算法级到量子硬件级整合设计和优化方案的可行性，结合了逻辑电路设计和编译优化的步骤。借助人工智能算法的卓越认知和学习能力，可以减少手动设计成本，提高执行的精确度和效率，并促进量子算法在硬件上的实施和优势验证。

Jun, 2024