量子电路高效强化学习优化的成本爆炸
量子物理
2023-11-22 v1
摘要
大规模量子电路的优化是一个计算上具有挑战性的问题。强化学习（RL）是一种近期方法，通过学习策略来优化量子电路，从而提高优化智能体的奖励。奖励是量子电路成本（如门数与量子比特数，或电路深度）的函数。我们的目标是通过加入关于人工优化量子电路方式的提示来改进智能体的优化策略：在某些情况下，应允许电路成本暂时爆炸，之后再应用显著降低成本的最优化的优化。我们利用 Bernstein-Vazirani 电路给出数值证据，支持该策略的优势。我们的结果是初步的，表明允许成本爆炸为 RL 训练提供了显著优势，例如达到最优电路。成本爆炸策略有潜力成为大规模量子电路 RL 优化的重要工具。
引用
@article{arxiv.2311.12498,
title = {Cost Explosion for Efficient Reinforcement Learning Optimisation of Quantum Circuits},
author = {Ioana Moflic and Alexandru Paler},
journal= {arXiv preprint arXiv:2311.12498},
year = {2023}
}
备注
Accepted at The 8th Annual IEEE International Conference on Rebooting Computing (ICRC) 2023