Jun, 2024

CHARME：一种基于链式强化学习的小嵌入问题解决方法

PDF
TL;DR通过使用强化学习等技术解决量子退火中的 “次嵌入问题”，该研究提出了一种名为 CHARME 的方法，包括用于策略建模的图神经网络架构、确保解的有效性的状态转换算法和有效的训练顺序探索策略。实验证明，CHARME 的效率优于 Minorminer 和 ATOM 等嵌入方法，并在某些情况下超过 OCT-based 方法。此外，提出的探索策略还提高了 CHARME 框架的训练效率。
quantum annealingembeddingreinforcement learninggraph neural networkorder exploration strategy
发现论文，激发创造
  • 具有邻域控制语法的强化分子优化

    该研究提出了一个新的分子优化方法，通过一种基于图卷积策略网络的强化学习算法和语法来有效地生成分子结构并优化其性质，其在大量分子优化任务中达到了最先进的性能。

    Nov, 2020

  • 量子计算中强化学习的挑战

    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

  • 量子深度循环强化学习

    本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题，并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。

    Oct, 2022

  • 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

  • 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

  • 强化学习辅助的量子优化

    我们提出了一个基于强化学习的算法，用于量子近似优化算法（QAOA）内的量子反馈控制，能够基于局部信息选择控制参数，并实现了训练数据的小样本转移学习。

    Apr, 2020

  • 在 Chimera 量子比特连接图中快速生成团小图

    该研究介绍了使用原生团子图的方法，将任意的二体相互作用构造成一种能被 D-Wave 量子退火处理器求解的 Ising 自旋问题，并给出了一种多项式时间复杂度的算法来寻找给定的感应子图中的最大本地团子图。

    Jul, 2015

  • 混合量子神经网络的深度强化学习

    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

  • ChemRL-GEM: 用于性质预测的几何增强分子表示学习

    本论文提出了一种利用几何增强分子表示学习的方法，称为 GEM，通过使用基于几何的 GNN 架构和几何级别的自监督学习策略，该方法可以用来进行化学表示学习，实验表明该方法可以显著优于各种现有基线方法。

    Jun, 2021

  • 量子强化学习

    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