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
利用深度强化学习的方法,以及模块化分布式体系结构,提出了一种高效的量子电路编译和映射的新型学习启发式方法,以解决量子计算系统中的通信最优化问题。
Jun, 2024
基于梯度的量子架构搜索在 NISQ 时代提供了自动设计量子电路的框架,通过解决误差缓解、量子电路的灵活性、电路设计成本、BP 问题以及权重周期性等问题,该研究展示了梯度量子架构搜索在解决量子深度强化学习任务中的能力。
Sep, 2023
该研究以引入一种基于课程的强化学习量子架构搜索算法(CRLQAS)为主要方法,旨在解决在真实的 VQA 部署中所面临的挑战。该算法通过使用三维架构编码和环境动力学的限制来高效地探索可能电路的搜索空间,引入一种剧集终止方案以寻找更短的电路,并应用一种新颖的同时扰动随机逼近作为更快收敛的优化器,从而在噪声和非噪声环境中提高了在多个度量标准下的性能。
Feb, 2024
使用强化学习自动化搜索最佳结构以提高变分量子算法在噪声干扰下的性能。
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
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
本文研究了变分量子电路在深度强化学习中的应用,利用量子信息编码方案减少模型参数,用经验回放和目标网络重塑经典深度强化学习算法,成功证明了变分量子电路可以用于决策制定和政策选择强化学习,适用于许多即将到来的近期量子计算机。
Jun, 2019
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。
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