KANQAS：用于量子体系结构搜索的Kolmogorov-Arnold网络
量子物理
2024-12-13 v3 人工智能
新兴技术
机器学习
摘要
量子体系结构搜索（QAS）是优化和自动化量子电路设计以实现量子优势的有前景的方向。最近的 QAS 技术强调基于多层感知器（MLP）的深度 Q 网络。然而，由于可学习参数众多以及选择合适激活函数的复杂性，其可解释性仍具有挑战性。本文为了克服这些挑战，利用Kolmogorov-Arnold 网络（KAN）于 QAS 算法中，分析其在量子态准备和量子化学任务中的效率。在量子态准备任务中，我们的结果表明，在无噪声情境下，其成功概率比 MLP 高出 2 至 5 倍。在噪声环境中，KAN 在逼近这些态时在保真度方面优于 MLP，展现出对噪声的鲁棒性。在解决量子化学问题时，我们通过将课程强化学习与 KAN 结构集成，增强了最近提出的 QAS 算法。这使得针对参数化量子电路的设计更高效，通过减少所需的 2 量子比特门和电路深度。进一步的调查表明，KAN 相较于 MLP 需要显著更少的可学习参数；然而，KAN 每个 episode 的平均执行时间较高。
引用
@article{arxiv.2406.17630,
title = {KANQAS: Kolmogorov-Arnold Network for Quantum Architecture Search},
author = {Akash Kundu and Aritra Sarkar and Abhishek Sadhu},
journal= {arXiv preprint arXiv:2406.17630},
year = {2024}
}
备注
Code available at: https://github.com/Aqasch/KANQAS_code