用于学习量子处理器控制参数的 Snake 优化器
量子物理
2020-07-01 v1
摘要
高性能量子计算需要一种校准系统，其学习最优控制参数的速度远快于系统漂移。在某些情况下，学习过程需要求解复杂的优化问题，这些问题非凸、高维、强约束且搜索空间极为庞大。此类问题对可扩展性构成障碍，因为传统全局优化器即便对于包含数十个量子比特的小型处理器也常过于低效缓慢。在本白皮书中，我们引入 Snake 优化器，通过利用人工智能、动态规划和图优化中的概念来高效快速地求解此类优化问题。实践中，Snake 已被应用于优化频率可调超导量子比特中实现量子逻辑门的频率。该应用使 53 量子比特量子处理器达到业界领先的系统性能，成为展示量子优越性的关键组件。此外，Snake 优化器随量子比特数扩展良好，且支持局部重优化与并行化，在优化更大量子处理器方面展现出潜力。
引用
@article{arxiv.2006.04594,
title = {The Snake Optimizer for Learning Quantum Processor Control Parameters},
author = {Paul V. Klimov and Julian Kelly and John M. Martinis and Hartmut Neven},
journal= {arXiv preprint arXiv:2006.04594},
year = {2020}
}
备注
7 pages, 8 figures