May, 2023

利用强化学习发现最优量子纠错码

PDF
TL;DR利用强化学习玩游戏的方式，从量子 Lego 框架中提取出有关量子纠错代码的最佳解决方案，可以最大化代码距离，最小化偏向性 Pauli 噪声下逻辑错误概率等，并且可以应用于物理量子设备以调整代码。
发现论文，激发创造
  • 强化学习解码器用于容错量子计算

    本文采用深度 Q 学习等方法，通过重复交互训练解码器和编码器，解决了表面码的复杂错误纠正问题。

    Oct, 2018

  • 深度量子纠错

    本文提出了一种基于神经网络的深度量子错误解码器，引入了综合编码对系统噪音的初始估计进行迭代优化，并实现了在重复综合抽样下的有效解码。通过以可微目标直接优化在有限场上计算的逻辑错误率，该方法实现了量子纠错码解码的高效性，超过了现有的神经网络和经典解码器。

    Jan, 2023

  • 超导量子计算机上基于实验深度强化学习的错误鲁棒门集设计

    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。

    May, 2021

  • 实现距离为三的表面码重复量子纠错

    本文研究使用 17 个物理量子位于一个超导电路中，使量子信息编码在距离为 3 的逻辑量子位上。通过量子纠错重复实验，作者在消除纠缠、控制精度受限等因素干扰时，测量和解码比特和相位翻转错误综合使用最小权完美匹配算法并进行后处理修正，以实现高性能、快速和重复的量子纠错周期，证明了量子纠错的可行性和表现良好。

    Dec, 2021

  • 自主量子错误纠正方案的自动发现

    本文提出了一种基于伴随优化的计算方法，可在描述物理系统时发现自主量子纠错编码，其中通过使用控制参数来更好地保存量子信息，以达到在超导电路中实现量子信息长时间保存的目的。

    Aug, 2021

  • 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

  • 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

  • AI 编码：学习构建纠错码

    通过人工智能技术设计纠错码的方法和框架，虽然这种方法不依赖于编码理论，但是使用强化学习和进化算法构建的线性码和极化码等码的性能仍然可以与经典编码的性能相当，甚至优于经典编码构造方式在某些情况下无法实现最优表现。

    Jan, 2019

  • 基于哈密顿量的量子强化学习用于神经计算组合优化

    基于 Hamiltonian 的量子强化学习（QRL）是将量子计算与神经组合优化相结合的一种方法，通过对组合优化问题的 Hamiltonian 公式建模，拥有较好的训练性能，适用于广泛的问题类别，并与 QAOA 进行了比较。

    May, 2024

  • 量子计算中强化学习的挑战

    该研究论文介绍了量子计算在当前 NISQ 时代的限制，并提出了通过混合量子机器学习来改善量子计算架构的方法，重点是利用强化学习来优化当前的量子计算方法，并介绍了由量子架构搜索和量子电路优化引起的各种挑战，以及提出的用于学习控制一组万能量子门的具体框架，并提供基准结果以评估当前最先进算法的优点和短处。

    Dec, 2023