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。
Apr, 2020
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
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
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
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
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。
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
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
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
本文研究了量子计算对强化学习问题的潜在帮助，通过量子演化电路来解决强化学习问题，提出了使经典数据编码成量子演化电路的技术，并探索了 DQN 和 Double DQN 的量子算法。结果表明，使用量子演化电路可以更好地解决强化学习任务。
Aug, 2020