Nov, 2023

通过强化学习实现产品 - 公式哈密顿模拟的编译

PDF
TL;DR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。
发现论文，激发创造
  • 深度强化学习在量子编译中的应用

    利用深度强化学习方法，快速创建单量子比特运算序列，以在计算机内实时将高级量子算法转换为低级量子门电路，省略传统方法的耗时，实现量子编译的实时化。

    May, 2021

  • 利用强化学习的拓扑量子编译

    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

  • 超导处理器上的强化学习量子编译

    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

  • 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

  • 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

  • 定向量子电路综合的强化学习环境

    利用强化学习环境，通过量子电路综合的方式可靠设计最小量子电路，针对目标初始化和量子比特数量进行了实验，达到对 2 比特贝尔态的选择性设计。

    Jan, 2024

  • 增强强化学习的量子启发式组合优化算法

    本文提出了一种基于量子启发式算法 + 强化学习的方法，在解决 Ising 能量最小化问题方面，该方法通过调整其中一个参数以改进最近看到的解，并使用一种新的 Rescaled Rank Reward (R3) 方法来提高稳定的自我博弈训练效果。训练后可在任何问题实例中采样高质量的解，并优于基线启发式和黑盒超参数优化方法。

    Feb, 2020

  • 量子辅助的量子编译

    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

  • 量子信号处理实现最优哈密尔顿模拟

    通过简单的单量子比特旋转，优雅地提供了哈密顿模拟的一种最优算法，用以理解和设计许多量子算法，特别是物理系统的模拟。

    Jun, 2016

  • 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