Quarl: 基于学习的量子电路优化器
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
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
本文提出了两种基于机器学习的方法,采用强化学习 (RL) 框架和核密度估计 (KDE) 技术,分别用于优化 QAOA 电路,从小规模问题实例中学习,然后在较大的问题实例中使用,结果表明与其他现成的优化器相比,这两种方法可以将优化度缺口减少多达 30.15 个因子。
Nov, 2019
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
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
本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法,将低深度的量子电路与经典计算机混合使用,实现了优化参数的迭代优化,从而实现了学习任务的同时避免高深度量子电路,并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数,为实现近期量子设备开展量子机器学习应用奠定了基础。
Mar, 2018
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
本文提出了一种新颖的量子强化学习算法,通过将量子理论和强化学习相结合,引入了价值更新算法框架,通过概率幅度并行更新以达到在探索和利用之间取得良好平衡,并加速学习。经实验验证,该方法在一些复杂问题中表现出优越性和实用性,是量子计算在人工智能应用方面的有效探索。
Oct, 2008