利用强化学习学习量子态以实现海德鲁巴准确度
量子物理
2025-08-06 v2 人工智能
摘要
学习量子态是实现量子信息技术的关键任务。最近的神经方法已显示出学习量子态的前景。我们提出了一种元学习模型，利用强化学习(RL)优化学习量子态的过程。为提高RL的数据效率，我们引入了受课程学习启发的动作重复策略。RL智能体显著提高了学习随机量子态的样本效率，并实现了接近海德鲁巴极限的保真度缩放。我们还展示了使用3量子比特状态训练的RL智能体能够推广到学习最多5量子比特状态。这一结果凸显了RL驱动的元学习在提高学习量子态效率和可扩展性方面的作用。我们的方法可用于改进量子控制、量子优化和量子机器学习。
引用
@article{arxiv.2412.02334,
title = {Reinforcement learning to learn quantum states for Heisenberg scaling accuracy},
author = {Jeongwoo Jae and Jeonghoon Hong and Jinho Choo and Yeong-Dae Kwon},
journal= {arXiv preprint arXiv:2412.02334},
year = {2025}
}
备注
15 pages, 8 figures