Jun, 2023

使用增强学习技术增强量子变分状态对角化

PDF
TL;DR本文利用强化学习实现了浅层量子电路设计，使用了一种新的编码方法来优化电路深度，其生成的电路比标准的量子状态对角化算法更浅，可用于有限的硬件资源。
variational quantum algorithmsdiagonalization methodreinforcement learningcircuit depth optimizationnisq computers
发现论文，激发创造
  • 用于深度强化学习的变分量子电路

    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

  • 变分量子态对角化

    本研究提出了一种基于变分混合量子 - 经典算法的量子状态对角化算法，该算法可以通过量子计算评估门序列的成本（比经典成本评估更快），并且经典计算机使用此信息来调整门序列的参数，主要适用于凝聚态物理和机器学习领域中的状态对角化问题，它可以通过最小化成本函数来返回一个近似对角化的门序列，从而获得量子态的最大特征值和相关的特征向量的近似值。

    Oct, 2018

  • 用量子变分电路进行强化学习

    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

  • 强化学习用于变分量子电路架构优化

    本论文提出了一种基于强化学习的算法，能够自主探索合适的变分预测模型，同时最小化电路的深度并增加结果的精度，在锂氢分子比较经典的量子计算基准问题上取得了化学精度和最先进的电路深度优化结果。

    Mar, 2021

  • 基于强化学习的变分量子算法的量子架构搜索

    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。

    Feb, 2024

  • Gym 中的量子代理：一种深度 Q-learning 的变分量子算法

    本文介绍了一种用于解决离散和连续状态空间的 RL 任务的训练方法，该方法基于深度 Q-learning 算法。研究通过消融研究探究了量子 Q-learning 算法的体系结构选择对于成功解决某些环境的重要性，并提出了用于选择适当的观测量的方法，以比较量子和经典 DQN 算法的性能.

    Mar, 2021

  • 强化学习中变分量子电路的优化技术研究

    量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。

    May, 2024

  • 变分量子深度 Q 网络的不稳定性分析

    本文研究了一类混合量子 - 经典强化学习算法 VQ-DQN，发现其容易受到不稳定性的影响。实验结果表明，尽管有观点认为量子计算可以比经典方法更具优势，但无法确定这种优势。</br>

    Feb, 2022

  • 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

  • 利用变分自动编码器学习困难量子分布

    研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。

    Oct, 2017