强化学习辅助量子架构搜索的量子信息理论分析
量子物理
2024-08-16 v3
摘要
在量子计算领域，变分量子算法（VQA）代表了跨广泛应用的量子解决方案的关键类别。这些算法在实现量子计算优势方面展现出巨大潜力。VQA的一个基本方面是构建表达性强且高效的量子电路（即ansatz），而自动搜索此类ansatz被称为量子架构搜索（QAS）。最近，强化学习（RL）技术被用于自动化搜索ansatz，称为RL-QAS。本研究探讨了RL-QAS用于为变分量子态对角化问题定制ansatz。我们的研究包括对多个维度的全面分析，例如所得态的纠缠阈值、初始条件对RL智能体性能的影响、并发界限中相关的相变行为，以及通过条件熵度量推断特征值时量子比特的离散贡献。我们利用这些见解设计了一种纠缠引导的可容许ansatz，用于使用最优资源对角化随机量子态。此外，本文提出的方法为在RL-QAS中构建适用于变分量子算法的奖励函数提供了一个通用框架。
引用
@article{arxiv.2404.06174,
title = {A quantum information theoretic analysis of reinforcement learning-assisted quantum architecture search},
author = {Abhishek Sadhu and Aritra Sarkar and Akash Kundu},
journal= {arXiv preprint arXiv:2404.06174},
year = {2024}
}
备注
Published version