Quantum Compiling with Reinforcement Learning on a Superconducting Processor

在现代量子技术中，有效地在嘈杂的中间规模量子（NISQ）处理器上实现量子算法是一项核心任务。NISQ处理器具有几十到几百个嘈杂的量子比特，具有有限的相干时间和带有误差的门操作，因此NISQ算法自然需要通过量子编译使用短长度电路。在这里，我们开发了一种基于强化学习（RL）的量子编译器，用于超导处理器，并展示了它发现新的硬件适用电路和短长度电路的能力。我们表明，对于三比特量子傅立叶变换，可以实现仅使用七个CZ门的编译电路，并且具有完美的电路保真度。编译器还能够在设备拓扑约束下找到最优电路，其长度显著短于传统方法。我们的研究示范了软件与硬件的协同设计，用于高效量子编译，为RL编译器的进步提供了有价值的见解。

论文旨在开发一种基于强化学习的量子编译器，以在嘈杂的中间规模量子处理器上有效实现量子算法。

该论文提出了一种基于强化学习的量子编译器，能够发现新的、适合硬件的、长度较短的电路。研究人员展示了该编译器在三量子比特傅里叶变换中的表现，并找到了最优电路。该编译器还能够在设备拓扑约束下找到较短的最优电路。

该论文展示了如何通过软件与硬件的协同设计，实现高效的量子编译器。实验使用了超导处理器，并开发了一个基于强化学习的编译器。该编译器能够发现新的、适合硬件的、长度较短的电路，并在设备拓扑约束下找到较短的最优电路。这项工作为量子编译器的发展提供了有价值的见解。

在近期的相关研究中，也有一些关于量子编译器的研究。例如，2019年的论文《QSearch: A Reinforcement Learning Approach to Quantum Boolean Circuits Synthesis》也提出了一种基于强化学习的量子编译器。