量子电路设计中强化学习面临的挑战
量子物理
2024-08-09 v3 机器学习
摘要
当前 NISQ 时代的量子计算（QC）在规模和精度上仍然受限。混合应用通过缓解这些缺陷而普遍存在，以获取早期的见解和优势。混合量子机器学习（QML）包括应用 QC 来改进机器学习（ML），以及应用 ML 来改进 QC 架构。本工作考虑后者，利用强化学习（RL）来改进量子电路设计（QCD），我们通过一组通用目标对其进行了形式化。此外，我们提出了 qcd-gym，这是一个具体框架，被形式化为马尔可夫决策过程，旨在使学习策略能够控制一组连续参数化的通用量子门。最后，我们提供了基准比较，以评估当前最先进 RL 算法的缺点和优点。
引用
@article{arxiv.2312.11337,
title = {Challenges for Reinforcement Learning in Quantum Circuit Design},
author = {Philipp Altmann and Jonas Stein and Michael Kölle and Adelina Bärligea and Thomas Gabor and Thomy Phan and Sebastian Feld and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2312.11337},
year = {2024}
}
备注
11 pages, 4 figures, accepted for publication at the 2024 IEEE International Conference on Quantum Computing and Engineering (QCE)