Sep, 2022

量子多参数估计的深度强化学习

PDF
TL;DR本研究提出了一种基于深度学习和强化学习的模型无关方法，实现了实际的贝叶斯量子计量任务，并在一个集成光电电路上证明了比标准方法更高的测量性能，这是实现完全基于人工智能的量子计量的重要一步。
发现论文，激发创造
  • 混合量子神经网络的深度强化学习

    本研究旨在探究基于门型量子计算机的参数量子电路，通过集成最新的 Qiskit 和 PyTorch 框架，与纯经典深度神经网络进行比较，评估其在模型非自由强化学习问题中的潜力，以及在解决迷宫问题或其他强化学习问题方面、深度量子学习的前景。

    Apr, 2023

  • 基于深度强化学习的实时模型校准

    本研究提出了一种基于强化学习的模型参数推断框架，该框架以物理模型响应跟踪为目标，利用一种约束 Lyapunov 基础的 actor-critic (CLAC) 算法，考虑了大规模和高维数据以及嘈杂的真实世界条件下的鲁棒性，实现了在两个基于物理模型的诊断测试案例中的优秀表现。

    Jun, 2020

  • 通过强化学习自动重新校准量子设备

    通过使用强化学习技术和环境噪声模型，我们研究了量子设备参数的连续校准的无模型控制循环，并以肯尼迪接收器为基础的远距离量子通信协议的数值模拟应用作为示例。

    Apr, 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

  • 深度贝叶斯实验设计用于量子多体系统

    该论文讨论了如何使用贝叶斯实验设计方法和深度神经网络来确定量子技术平台特征，以及如何使用这种方法进行量子模拟和计算。

    Jun, 2023

  • 基于神经网络的量子反馈强化学习

    本研究展示了利用神经网络强化学习在量子纠错任务中独立发现量子纠错策略的能力，并提出了包括二阶段学习和反馈优化在内的策略。这项工作不仅在量子计算方面具有重要作用，还显示了神经网络强化学习在物理学领域的潜力。

    Feb, 2018

  • 使用机器学习高效测量量子设备

    利用机器学习算法的自动化测量方法可以提高量子系统的测量效率，并为大型量子电路的自动化控制打下基础。

    Oct, 2018

  • 精确量子测量的机器学习

    采用机器学习自主生成自适应反馈计划的方法适用于量子信息，有效取代了猜测性的量子测量方法，实现了在干涉测量中最佳的自适应方案。

    Oct, 2009

  • 量子跨平台验证的多模态深度表示学习

    通过创新的多模态学习方法，本研究采用量子计算中数据形式的两种不同模态：测量结果和编译电路的经典描述，从而建立了一个全面的数据表示。通过对不同噪声模型的平台进行评估，结果显示相比随机测量，我们的方法在预测准确性上有三个数量级的提升，从而为跨平台验证中每种模态的互补作用提供了有力证据。这些发现为利用多模态学习克服更广泛的量子系统学习任务中的挑战铺平了道路。

    Nov, 2023

  • 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