通过强化学习实现产品 - 公式哈密顿模拟的编译
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
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 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
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
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
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