受反绝热驱动启发的用于多体基态制备的强化学习
量子物理
2021-10-05 v2 量子气体
机器学习
计算物理
摘要
量子交替算子 ansatz（QAOA）是变分量子算法的典型例子。我们提出一种受反绝热驱动过程启发的广义 QAOA，称为 CD-QAOA，专为量子多体系统设计并使用强化学习（RL）方法进行优化。由此产生的混合控制算法通过最小化能量，在制备量子混沌多体自旋链的基态方面表现出多功能性。我们表明，使用绝热规范势中出现的项作为附加控制酉算子的生成元，可以在远离绝热区域时实现快速高保真度的多体控制。虽然每个酉算子保留了常规 QAOA 固有的连续控制自由度（如持续时间），我们将控制序列中出现的多个可用酉算子的顺序视为额外的离散优化问题。赋予策略梯度算法自回归深度学习架构以捕捉因果性，我们训练 RL 智能体构建最优的酉算子序列。该算法无法访问量子态，并且我们发现于小系统上学习的协议可泛化至更大系统。通过扫描一系列协议时长，我们给出了非可积混合场自旋-1/2 Ising 和 Lipkin-Meshkov-Glick 模型中存在有限量子速度极限，以及适用于在长程和拓扑有序参数区间制备自旋-1 海森堡链基态的数值证据。本工作为将深度学习的近期成果用于量子多体控制铺平了道路。
引用
@article{arxiv.2010.03655,
title = {Reinforcement Learning for Many-Body Ground-State Preparation Inspired by Counterdiabatic Driving},
author = {Jiahao Yao and Lin Lin and Marin Bukov},
journal= {arXiv preprint arXiv:2010.03655},
year = {2021}
}