利用强化学习技术增强变分量子态对角化

变分量子算法对于 NISQ 计算机的应用至关重要。此类算法需要较短的量子线路，更易于在近 term 硬件上实现，且已发展出许多此类方法。其中一个特别令人关注的是所谓的变分量子态对角化方法，它构成一个重要的算法子程序，并可直接用于处编码在量子态中的数据。特别地，它可应用于辨识量子态的特征，如系统的纠缠性质，或用于量子机器学习算法中。在本工作中，我们通过利用强化学习（RL）来解决量子态对角化任务中所需设计极浅量子线路的问题。为此，我们采用了一种新颖的 RL 态编码方法、一个稠密奖励函数以及一种 $\epsilon$-贪婪策略。我们证明，强化学习方法所提出的线路比标准变分量子态对角化算法更浅，因而可用于硬件能力限制量子线路深度的情形。我们在文中提出的方法可容易地调整以处理广泛的变分量子算法。