基于深度自回归策略网络的抗噪声端到端量子控制
量子物理
2022-05-13 v1 量子气体
机器学习
计算物理
摘要
变分量子本征求解器近来受到越来越多的关注，因为它们使量子计算设备能够寻找复杂问题的解，例如强关联量子多体系统的基态能量与基态。在许多应用中，连续与离散参数的同时优化构成了巨大挑战。利用强化学习（RL），我们提出一种混合策略梯度算法，能够以抗不确定性的方式同时优化连续与离散自由度。该混合策略由深度自回归神经网络建模以捕捉因果性。我们将该算法用于通过参数化的广义量子近似优化 ansatz 在幺正过程中制备非可积量子 Ising 模型的基态：RL 智能体解决从预定义集合中构造最优幺正序列的离散组合问题，同时优化这些幺正作用所持续的连续时长。我们通过考虑三种不确定性来源——经典与量子测量噪声以及控制幺正时长的误差——展示了该智能体的抗噪声特性。我们的工作展现了强化学习与量子控制之间有益的协同作用。
引用
@article{arxiv.2012.06701,
title = {Noise-Robust End-to-End Quantum Control using Deep Autoregressive Policy Networks},
author = {Jiahao Yao and Paul Köttering and Hans Gundlach and Lin Lin and Marin Bukov},
journal= {arXiv preprint arXiv:2012.06701},
year = {2022}
}