一种用于有向量子电路综合的强化学习环境
量子物理
2024-01-17 v1 人工智能
摘要
随着量子计算技术的最新进展，优化量子电路和确保可靠的量子态制备变得日益重要。传统方法通常需要大量的专业知识和手动计算，随着量子电路在量子比特数和门数上的增长，这带来了挑战。因此，利用机器学习技术来处理日益多样的门到量子比特组合是一种有前景的方法。在这项工作中，我们引入了一个用于量子电路综合的全面强化学习环境，其中电路利用 Clifford+T 门集的门来构建，以制备特定的目标态。我们的实验侧重于探索合成的量子电路深度与用于目标初始化的电路深度以及量子比特数之间的关系。我们将环境配置组织为多个评估级别，并包含一系列众所周知的量子态用于基准测试。我们还为使用近端策略优化评估该环境建立了基线。通过将训练好的智能体应用于基准测试，我们证明了它们能够为一系列 2 量子比特贝尔态可靠地设计出最小量子电路。
引用
@article{arxiv.2401.07054,
title = {A Reinforcement Learning Environment for Directed Quantum Circuit Synthesis},
author = {Michael Kölle and Tom Schubert and Philipp Altmann and Maximilian Zorn and Jonas Stein and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2401.07054},
year = {2024}
}