基于强化学习的乘积公式哈密顿量模拟编译
量子物理
2023-11-09 v1 机器学习
摘要
哈密顿量模拟被认为是量子计算机可展现量子优势的首批任务之一。最流行的哈密顿量模拟方法之一是 Trotterization，它利用近似 及其高阶修正。然而，这留下了操作顺序（即关于 的乘积顺序，已知其影响近似质量）的问题。在某些情况下，该顺序由最小化近似误差的意愿固定；当并非如此时，我们提出可选择该顺序以优化到原生量子架构的编译。这提出了一个新的编译问题——顺序不可知量子电路编译——我们证明其在最坏情况下是 NP-hard 的。由于缺乏易计算的确切解，我们转向启发式编译优化方法。由于编译任务的顺序性质，我们聚焦于强化学习，将其与模拟退火和蒙特卡洛树搜索进行比较。虽然其中两种方法优于朴素启发式，但强化学习明显优于所有其他方法，就门数量而言相对于次优方法约有 12% 的增益，相对于朴素启发式约有 50% 的增益。我们进一步测试了 RL 跨编译问题实例的泛化能力，发现单个学习器能够求解整个问题族。这展示了机器学习技术在顺序不可知量子编译任务中提供辅助的能力。
引用
@article{arxiv.2311.04285,
title = {Compilation of product-formula Hamiltonian simulation via reinforcement learning},
author = {Lea M. Trenkwalder and Eleanor Scerri and Thomas E. O'Brien and Vedran Dunjko},
journal= {arXiv preprint arXiv:2311.04285},
year = {2023}
}