基于持续强化学习的量子架构搜索
量子物理
2021-12-14 v1 人工智能
新兴技术
机器学习
神经与进化计算
摘要
量子计算有望在解决经典计算机难以处理的复杂计算任务方面带来显著改进。然而，设计实用量子电路并非易事，需要专家级知识。为助力此工作，本文提出一种基于机器学习的方法来构建量子电路架构。已有工作表明，经典深度强化学习（DRL）算法可在不编码物理知识的情况下成功构建量子电路架构。但这些基于 DRL 的工作无法泛化到器件噪声变化的场景，因此需要大量训练资源以保持 RL 模型的最新状态。鉴于此，我们引入持续学习以提升算法性能。本文提出带深度 Q 学习的概率策略复用（PPR-DQL）框架来应对该电路设计挑战。通过对多种噪声模式进行数值模拟，我们证明采用 PPR 的 RL 智能体比从零训练的智能体更快地找到生成两比特贝尔态的量子门序列。所提框架具有通用性，可应用于其他量子门合成或控制问题——包括量子器件的自动校准。
引用
@article{arxiv.2112.05779,
title = {Quantum Architecture Search via Continual Reinforcement Learning},
author = {Esther Ye and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2112.05779},
year = {2021}
}