基于强化学习的多量子比特态分离技术

利用部分量子态知识来控制多量子比特纠缠是量子交互动力学新领域中鲜为人知的范畴，具有潜在解决量子态准备与压缩、量子控制和量子复杂性等前沿挑战的能力。我们提出一种深度强化学习（RL）方法，用于构建任意4、5、6量子比特态的简短分离电路，采用actor-critic算法。仅凭两比特简化密度矩阵，我们的智能体决定如何对哪些量子比特对应用两比特门；仅需局部信息即可直接应用于现代NISQ设备。利用置换等价变换器架构，智能体能够自主识别量子比特排列，并相应调整分离协议。训练后，它能为不同初始态提供电路，无需进一步优化。我们展示了智能体识别并利用多量子比特态纠缠结构的能力。对于4、5、6量子比特Haar随机态，智能体学习构建的分离电路在连续门之间以及在涉及的量子比特之间表现出强烈关联。通过大规模基准测试，我们显示RL方法能够找到资源最小化的分离协议。我们探讨了训练智能体对噪声的鲁棒性，凸显其在实际量子计算应用中的潜力。分析最优分离协议，我们报告一种通用电路用于准备任意4量子比特态，最多使用5个两比特门（10个CNOT门）。