利用图神经网络辅助蒙特卡罗树搜索的量子比特路由
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
我们介绍了一种新的、与架构无关的方法,用于将抽象的量子电路映射到具有受限制的量子比特连接性的实际量子计算设备上,由剑桥量子计算的 tket 编译器实现。我们呈现了实证结果,展示了这种方法在减少两比特门深度和两比特门计数方面的有效性,相比其他实现。
Feb, 2019
本文提出了一种基于路由替换框架的量子计算机电路变换方法,用于解决电路与体系结构之间的差异,通过采用不同的启发式置换子例程来提高性能,实现了在网格和模块化体系结构上进行大型量子电路比较的策略。
Feb, 2019
本文提出了量子计算机中量子比特路由问题的强化学习解决方案,解决此问题的方法是通过将传统的强化学习框架改进,允许离散动作空间,并证明了该方法的优越性,其具有普遍意义。
Dec, 2018
通过设计用于贝叶斯优化的量子电路度量,我们提供了一种新的量子门距离,该距离表征了每个量子态下门的作用,并从理论上研究了其几何特性,从而显著提高了三个经验量子机器学习问题(包括训练量子生成敌对网络、解决 MaxCut 问题中的组合优化和模拟量子傅里叶变换) 的基准性能,同时我们的方法可以推广到各种量子机器学习模型上。
Jun, 2022
本研究提出了一种基于并行计划的 SAT 编码方法,通过在每个时间步骤中应用 1 个 SWAP 和一组 CNOT 来保持并行计划的最优性,并在大型和深层次电路中实现可扩展性。我们的方法在可扩展性方面表现优异,比领先的精确方法和近似最优方法提高了很多倍(最多达到 100 倍)。首次,我们能够将几个 8、14 和 16 比特电路完美地映射到 54、80 和 127 比特平台上,最多需要 17 个 SWAP。同时,在我们映射的电路中,我们还报告了近似最优的深度。
Mar, 2024
在本文中,我们提出了一种新颖的量子位架构搜索(QWAS)方法,通过将搜索空间划分为好的和坏的子区域,逐步搜索每个阶段的单量子位配置,并结合蒙特卡洛树搜索算法,在某些真实任务(如 MNIST,Fashion 和 MOSI)中平衡电路性能和大小的探索和开发,达到了准确率和电路大小方面的最新结果。
Mar, 2024
本研究提出了一种名为 AltGraph 的搜索型电路转换方法,使用现有的生成图模型生成等效的量子电路。使用三个主要的图模型:DAG Variational Autoencoder (D-VAE)、Gated Recurrent Unit (GRU) 和 Graph Convolutional Network (GCN),以及 Deep Generative Model for Graphs (DeepGMG)。AltGraph 比原始转换电路平均减少 37.55% 的门数量和 37.75% 的电路深度,且平均密度矩阵均方误差 (MSE) 仅为 0.0074。
Feb, 2024
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
本研究提出了一种基于量子电路学习的算法,可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征,并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格(Greenberger-Horne-Zeilinger)状态的最佳制备方法,也可以有效地制备连续热态的近似表示,其波函数在其幅度中编码玻尔兹曼概率。最后,研究提供了一种新的硬件无关指标,称为 qBAS 得分,可用于衡量近期量子设备的性能。
Jan, 2018