基于深度强化学习的量子架构搜索
量子物理
2021-04-19 v1 人工智能
机器学习
神经与进化计算
摘要
量子计算的最新进展引起了人们对构建现实量子计算机应用及利用量子计算机的相当关注。然而，设计合适的量子电路架构需要专家知识。例如，设计用尽可能少的门生成特定量子态的量子门序列并非易事。我们提出一种借助深度强化学习（DRL）能力的量子架构搜索框架以应对该挑战。在所提框架中，DRL智能体仅能访问Pauli-、、期望值与一组预定义量子操作来学习目标量子态，并通过优势 actor-critic（A2C）与近端策略优化（PPO）算法进行优化。我们展示了在不向智能体编码任何量子物理知识的情况下，成功生成多量子比特GHZ态的量子门序列。我们的框架设计相当通用，可与其他DRL架构或优化方法结合，用于研究多量子态的门合成与编译。
引用
@article{arxiv.2104.07715,
title = {Quantum Architecture Search via Deep Reinforcement Learning},
author = {En-Jui Kuo and Yao-Lung L. Fang and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2104.07715},
year = {2021}
}