利用深度强化学习的方法，以及模块化分布式体系结构，提出了一种高效的量子电路编译和映射的新型学习启发式方法，以解决量子计算系统中的通信最优化问题。

Jun, 2024

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

使用增强学习算法为量子电路架构设计提供了一个通用架构，可以在不编码任何关于量子物理的知识下，成功地生成多比特 GHZ 态的量子门序列。

Apr, 2021

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

本研究旨在探究基于门型量子计算机的参数量子电路，通过集成最新的 Qiskit 和 PyTorch 框架，与纯经典深度神经网络进行比较，评估其在模型非自由强化学习问题中的潜力，以及在解决迷宫问题或其他强化学习问题方面、深度量子学习的前景。

Apr, 2023

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

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

本文提出了量子计算机中量子比特路由问题的强化学习解决方案，解决此问题的方法是通过将传统的强化学习框架改进，允许离散动作空间，并证明了该方法的优越性，其具有普遍意义。

Dec, 2018

通过将特征分布在多个小型量子神经网络并利用其期望值的集成生成预测，我们的研究表明分布式量子神经网络是与近期量子设备兼容的实用量子机器学习算法的有希望的方向，其不仅对大型数据集实现高准确率的预测，而且还降低了每个量子神经网络的硬件需求。

Dec, 2023