Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning

量子信息科学和技术的一个核心挑战是实现量子系统的实时估计和前馈控制。这个挑战受到量子资源的固有不均匀性、量子比特属性和控制的固有随机性的影响。这导致了误差检测中的随机挑战以及如预示远程纠缠等过程中的概率性结果。鉴于这些复杂性，优化量子资源状态的构建是一个 NP 难问题。在本文中，我们通过制定问题并在数字化环境中模拟问题来解决量子资源调度问题，这使得探索和开发基于代理的优化策略成为可能。我们在这个概率性环境中使用强化学习代理，并引入了一个新的框架，利用了一种强调量子比特对的自我注意机制的 Transformer 模型。这种方法通过提供实时的下一步指导，促进了动态调度。我们的方法显著提高了量子系统的性能，比基于规则的代理提高了 3 倍以上，并建立了一个创新的框架，改进了量子应用中物理和控制系统的联合设计，包括通信、网络和计算。

本文旨在解决量子信息科学和技术中的实时估计和前馈控制问题，提出了使用强化学习代理和Transformer模型的新框架。该框架旨在优化量子资源状态的构建，提高量子系统的性能。

本文提出了一种新的框架，使用强化学习代理和Transformer模型，强调对量子比特对的自我关注机制，实现了动态调度和实时下一步指导，从而显著提高了量子系统的性能。

本文使用了强化学习代理和Transformer模型，提高了量子系统的性能。实验结果表明，该方法比基于规则的代理方法提高了3倍以上。此外，该框架为量子应用中的物理和控制系统的联合设计提供了创新的思路。

最近在量子信息科学和技术领域中，还有一些相关的研究。例如，G.Rosenberg等人发表了题为“Quantum Circuit Placement”的论文，研究了量子电路的布局问题。