【标题】Quantum Architecture Search via Continual Reinforcement Learning（通过连续强化学习进行量子体系结构搜索）

【作者团队】Esther Ye, Samuel Yen-Chi Chen。Boston University

【发表日期】10 December, 2021

【论文链接】https://arxiv.org/pdf/2112.05779.pdf

【推荐理由】与经典计算机相比，量子计算有望在解决复杂计算任务方面取得重大进步。然而，为实际用途设计量子电路并不是一个简单的目标，需要专家级的知识。为了帮助这一努力，本文提出了一种基于机器学习的方法来构建量子电路体系结构。以前的工作已经证明，经典的深度强化学习（DRL）算法可以在没有编码物理知识的情况下成功构建量子电路结构。然而，这些基于DRL的工作不能推广到设备噪声不断变化的环境中，因此需要大量的培训资源来保持RL模型的最新。考虑到这一点，文章结合了持续学习来提高算法的性能。在本文中，提出了基于深度Q学习的概率策略重用（PPR-DQL）框架来解决这一电路设计难题。通过对各种噪声模式进行数值模拟，证明了具有PPR的RL代理能够比从头开始训练的代理更快地找到量子门序列来生成双量子比特贝尔态。该框架具有通用性，可应用于其他量子门合成或控制问题，包括量子器件的自动校准。

内容中包含的图片若涉及版权问题，请及时与我们联系删除