CutQAS: Topology-aware quantum circuit cutting via reinforcement learning
本文提出CutQAS框架,将量子电路切割与量子架构搜索结合,通过多步强化学习智能体优化电路拓扑与切割方案,以提高近期量子硬件上量子化学模拟的精度和资源效率。
2025-04-05 quant-ph
Reinforcement learning of quantum circuit architectures for molecular potential energy curves
Freie Universität Berlin(柏林自由大学);Porsche Digital GmbH(保时捷数字有限公司);Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希赫兹研究所);Helmholtz-Zentrum Berlin für Materialien und Energie(柏林亥姆霍兹材料与能源中心);University of Augsburg(奥格斯堡大学);Center for Advanced Analytics and Predictive Sciences, University of Augsburg(奥格斯堡大学先进分析与预测科学中心);Department of Mathematics and Computer Science, Freie Universität Berlin(柏林自由大学数学与计算机科学系);Virginia Tech(弗吉尼亚理工大学)
本研究通过强化学习方法开发了可生成分子势能曲线量子电路的架构,实现了对任意键距的适应性电路设计。
2025-11-20 quant-ph
Hybrid discrete-continuous compilation of trapped-ion quantum circuits with deep reinforcement learning
本文提出一种结合梯度优化与深度强化学习的混合离散-连续方法,用于缩短离子阱量子电路,并引入经典模拟框架,显著减小电路规模,适用于未知酉过程复现。
2025-01-27 quant-ph
Unitary Synthesis of Clifford+T Circuits with Reinforcement Learning
该研究提出基于Gumbel AlphaZero树搜索的深度强化学习方法,解决无参数Clifford+T门集合的酉综合问题,在多量子比特场景下综合效率优于多款现有工具,为后续酉综合算法提供强基线。
2024-09-03 quant-ph
Using Reinforcement Learning to Perform Qubit Routing in Quantum Compilers
“量子位路由”是指修改量子线路以使它们满足目标量子计算机的连通性约束的任务。这涉及到将SWAP门插入电路中,使得逻辑门只发生在相邻的物理量子位之间。我们的目标是尽量减少交换门增加的电路深度。在本文中,我们提出了一种量子比特路由过程,该过程使用了深度Q学习范式的修改版本。该系统能够超越目前可用的两个最先进的量子编译器的量子位路由程序,在随机和现实电路上,跨越近期的架构大小。
2020-07-31 quant-ph
Quantum circuit optimization using deep reinforcement learning: Applications across multiple gate sets
Hanyang University(汉阳大学);Hanyang Institute for Quantum Science and Quantum Technology, Hanyang University(汉阳大学量子科学与量子技术研究所);Research Institute for Natural Sciences, Hanyang University(汉阳大学自然科学研究院)
该研究提出将CR算法嵌入强化学习环境的框架,在两类门集上实现更短量子电路,训练于小电路的RL可应用于大电路,为量子系统编译优化提供稳健方法。
2026-08-20 quant-ph
Reinforcement Learning Based Quantum Circuit Optimization via ZX-Calculus
本文提出一种基于ZX演算图论简化规则的强化学习方法,利用PPO和图神经网络训练智能体优化量子电路,在Clifford+T电路及更大规模结构化电路上改进了门数最先进水平,适用于NISQ时代量子算法实现。
2025-05-22 quant-ph
Variational Quantum Circuit Design for Quantum Reinforcement Learning on Continuous Environments
本研究针对量子强化学习中变分量子电路(VQC)设计缺乏细致探究的问题,分析了VQC的多种设计选择对训练性能的影响并给出优化方案,同时提出了适用于连续动作空间的QRL智能体设计并与经典前馈神经网络做了基准对比。
2023-12-21 quant-ph
Quantum Circuit Discovery for Fault-Tolerant Logical State Preparation with Reinforcement Learning
Max Planck Institute for the Science of Light(马克斯·普朗克光科学研究所);RWTH Aachen University(亚琛工业大学)
针对基于标记协议的容错量子电路缺乏明确设计方法的问题,提出用强化学习自动发现紧凑且适配硬件的电路,在逻辑态制备任务中门和辅助量子比特更少,还支持探索连通性与迁移学习,为多类容错电路发现提供新路径。
2024-05-17 quant-ph
Automated Discovery of Gadgets in Quantum Circuits for Efficient Reinforcement Learning
Max Planck Institute for the Science of Light(马克斯·普朗克光科学研究所)
针对强化学习中复合量子门需手动构造的问题,提出基于有向图重复子图搜索的 gadget 自动发现算法,找到两个新 gadget 族并比较 4 量子比特 gadget 性能。
2025-09-29 quant-ph
Optimizing Quantum Variational Circuits with Deep Reinforcement Learning
Rensselaer Polytechnic Institute(伦斯勒理工学院)
量子机器学习(QML)被认为是近期量子器件最有前途的应用之一。然而,量子机器学习模型的优化提出了许多挑战,这些挑战来自硬件的不完善和导航指数缩放希尔伯特空间的根本障碍。在这项工作中,我们评估了当代方法在深度强化学习中的潜力,以增强量子变分电路中基于梯度的优化例程。我们发现,强化学习增强优化器在噪声环境中始终优于梯度下降。所有代码和预训练的权重都可用于复制结果或部署模型:https://github.com/lockwo/rl_qvc_opt。
2022-05-14 cs.LG quant-ph
Optimizing Quantum Circuits via ZX Diagrams using Reinforcement Learning and Graph Neural Networks
提出基于ZX calculus、图神经网络和强化学习的量子线路优化框架,通过训练直接作用于ZX图的强化学习策略结合树搜索,有效减少CNOT门数量,展现竞争力与泛化能力。
2025-04-04 cs.LG quant-ph
Reinforcement Learning for Quantum Circuit Design: Using Matrix Representations
Rensselaer Polytechnic Institute(伦斯勒理工学院)
针对NISQ时代下量子电路自动映射到通用门集的挑战,本文提出通用的MDP建模,并采用Q-learning和DQN算法进行量子电路设计,提供了一种超越传统手工启发式方法的自动化、可扩展方案。
2025-01-27 cs.AI quant-ph
Quantum Hierarchical Reinforcement Learning via Variational Quantum Circuits
Wells Fargo(富国银行)
本研究证明变分量子电路可增强基于选项-评论家架构的分层强化学习智能体,在标准环境中以更少参数超越经典基线,并揭示量子电路设计原则与架构瓶颈。
2026-09-22 cs.LG quant-ph
Reinforcement Learning for Optimizing Large Qubit Array based Quantum Sensor Circuits
Cleveland State University(克利夫兰州立大学)
本文将强化学习与MPS张量网络仿真结合,用于最多60量子比特的量子传感器电路优化,在提升QFI与纠缠熵的同时显著降低门数和电路深度。
2025-08-28 cs.AI quant-ph
Circuit Partitioning for Multi-Core Quantum Architectures with Deep Reinforcement Learning
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文提出一种基于深度强化学习的电路划分新方法,以解决多核量子架构中量子算法适配不同核心的挑战,为量子电路映射引入了新解决范式。
2024-07-24 cs.AI quant-ph
Reinforcement Learning with Quantum Variational Circuits
Rensselaer Polytechnic Institute(伦斯勒理工学院)
近年来,量子计算技术的发展取得了很大进展,与深度强化学习技术的进步平行。这项工作探讨了量子计算促进强化学习问题的潜力。由于量子计算能够利用叠加和纠缠的量子现象,因此相对于传统算法,它在时间和空间复杂度方面提供了重要的潜在改进。具体来说,我们研究了量子变分电路的使用,这是量子机器学习的一种形式。我们给出了量子变分电路中经典数据的编码技术,进一步探讨了DQN和Double DQN的纯量子和混合量子算法。我们的研究结果表明,混合和纯量子变分电路都有能力解决具有较小参数空间的强化学习任务。这些比较是在两个OpenAI Gym环境中进行的:CartPole和Blackjack,这项工作的成功表明了量子机器学习和深度强化学习之间的强大未来关系。
2020-08-28 cs.LG quant-ph stat.ML
Scaling the Automated Discovery of Quantum Circuits via Reinforcement Learning with Gadgets
针对强化学习设计复杂量子电路时计算量指数增长的问题,本文提出引入复合 Clifford 门 gadget,使发现速度提升一至两个数量级,并自动找到此前未知的高复杂度 QEC 码。
2025-03-14 quant-ph
Reinforcement learning-based architecture search for quantum machine learning
Fraunhofer Institute for Manufacturing Engineering and Automation IPA(弗劳恩霍夫制造工程与自动化研究所);University of Stuttgart(斯图加特大学)
本文提出一种基于强化学习的架构搜索方法,通过模型驱动算法生成问题特定的分层编码电路,以提升量子机器学习性能,并兼顾多目标优化。
2024-08-05 cs.LG quant-ph
QAS-QTNs: Curriculum Reinforcement Learning-Driven Quantum Architecture Search for Quantum Tensor Networks
Nanyang Technological University(南洋理工大学);New York University Abu Dhabi(纽约大学阿布扎比分校);NYUAD Research Institute(NYUAD研究院);University of Southern Denmark(南丹麦大学);Corvinus Institute for Advanced Studies(科维努斯高级研究学院)
本文提出基于课程强化学习的量子架构搜索方法,通过量子增强的强化学习算法在量子张量网络中实现更高效和准确的电路设计。
2025-07-16 quant-ph
Reinforcement Learning for Adaptive Composition of Quantum Circuit Optimisation Passes
Quantinuum
本文提出利用强化学习自适应组合量子电路优化传递,有效提升优化效果。
2026-11-06 cs.LG quant-ph
A Reinforcement Learning Environment for Directed Quantum Circuit Synthesis
Institute of Informatics, LMU Munich(慕尼黑大学信息学研究所)
本文提出一个基于Clifford+T门集的量子电路综合强化学习环境,研究电路深度与目标初始化深度及量子比特数的关系,并通过PPO训练的智能体在2量子比特Bell态上验证了最小电路设计能力。
2024-01-13 cs.AI quant-ph
Hybrid Action Reinforcement Learning for Quantum Architecture Search
School of Computing Technologies, RMIT University(RMIT大学计算技术学院);Sportsbet;Data61, CSIRO(CSIRO数据六十一)
HyRLQAS通过混合动作强化学习框架,联合学习量子电路门放置与参数初始化,实现高效优化分子基态能量,展现优于现有方法的性能。
2026-01-29 quant-ph
Efficient circuit implementation for coined quantum walks on binary trees and application to reinforcement learning
IRT Saint Exupery(圣埃克苏佩里技术研究所);Université Paul Sabatier(保罗·萨巴捷大学);IRIT(图卢兹信息学研究所)
二叉树上的量子行走被用于许多量子算法中,以实现相对于经典算法的重要加速。这种算法作为量子电路的形式呈现出易于读取、在基于电路的量子计算机和模拟器上可执行以及资源利用最优的优点。根据通用门模型量子计算原理,我们提出了一种在二叉树上进行量子行走的量子电路构成策略。我们特别关注NAND公式求值算法,因为它在博弈论和强化学习中有许多应用。因此,我们提出了该算法的应用程序,并展示了它如何可以用来训练量子强化学习代理在两个玩家的游戏环境。
2022-10-14 cs.ET cs.LG quant-ph
Practical and efficient quantum circuit synthesis and transpiling with Reinforcement Learning
IBM Quantum(IBM量子计算部门);IBM T.J. Watson Research Center(IBM T.J.沃森研究中心)
本文提出将强化学习集成到量子电路转译中,实现近最优综合与高效路由,显著提升性能并兼容实际设备约束。
2025-02-26 cs.AI quant-ph
Reinforcement learning for optimization of variational quantum circuit architectures
University of Innsbruck(因斯布鲁克大学);Warsaw University of Technology(华沙理工大学);Leiden University(莱顿大学)
变分量子本征求解器(VQE)的研究近年来一直是人们关注的焦点,因为它们可能会导致近期量子器件的实际应用。然而,它们的性能取决于所使用的变分模拟器的结构,这需要平衡相应电路的深度和表现力。近年来,已经引入了各种VQE结构优化方法,但机器学习的能力,以帮助这个问题还没有得到充分的研究。在这项工作中,我们提出了一种强化学习算法,自主探索可能的ansze空间,识别仍然产生准确的地面能量估计的经济电路。该算法是内在的动机,它逐步提高结果的准确性,同时最大限度地减少电路深度。我们展示了我们的算法估计氢化锂(LiH)的基态能量的问题上的性能。在这个著名的基准问题中,我们实现了化学精度,以及电路深度方面的最新结果。
2021-03-30 cs.AI quant-ph
Synthesis and Optimization of Reversible Circuits for Homogeneous Boolean Functions
齐次布尔函数是任何密码系统的重要组成部分。为齐次布尔函数构造优化的可逆电路的能力可能会产生在诸如量子计算机之类的新型计算范例上构建密码系统的可能性。本文提出了一种因式分解算法来综合这样的电路。
2007-10-02 quant-ph
Basic protocols in quantum reinforcement learning with superconducting circuits
University of the Basque Country UPV/EHU(巴斯克大学)
超导电路技术最近实现了涉及闭环反馈回路的量子协议。量子人工智能和量子机器学习是量子技术中的新兴领域,可以使量子设备从外部世界获取信息并通过学习过程进行自我改进。在这里,我们提出了量子强化学习中基本协议的实现,超导电路采用反馈回路控制。我们介绍了不同的情况下,与国家的最先进的超导电路技术的原理验证实验,并分析其存在的缺陷的可行性。用超导电路实现的量子人工智能领域为增强的量子控制和量子计算协议铺平了道路。
2017-05-09 cond-mat.mes-hall cond-mat.supr-con cs.AI
Quality Diversity for Variational Quantum Circuit Optimization
本文提出一种直接基于矩阵的电路工程方法,利用质量多样性搜索与协方差矩阵自适应(QD-CMA)优化变分量子电路架构,以表达能力和门多样性为质量度量,在NP难组合优化问题上实现了优于基准算法的优化速度与求解质量。
2025-04-11 quant-ph
Equivariant Reinforcement Learning for Clifford Quantum Circuit Synthesis
Department of Computer Science, University of Oxford(牛津大学计算机科学系);Quantinuum(Quantinuum公司);College of Computing and Data Science, Nanyang Technological University, Singapore(新加坡南洋理工大学计算科学与数据科学学院)
本文提出了一种等变神经网络架构,用于在所有到所有量子比特连接设备上合成Clifford量子电路,通过强化学习发现最优门序列,实现高效电路合成。
2026-11-09 cs.LG quant-ph
Automating Variational Quantum Sensing through Reinforcement-Learned Circuit Structures
City University of Hong Kong(香港城市大学);City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院);Quantum Science Center of Guangdong-Hong Kong-Macao Greater Bay Area(粤港澳大湾区量子科学中心)
研究人员提出强化学习框架\textsc{AutoQSense},通过基于费舍尔信息的目标函数搜索量子传感电路架构,其性能优于固定拟设且适配噪声,为量子传感提供资源感知的硬件兼容方案。
2026-08-19 cond-mat.dis-nn quant-ph
Rotation-inspired circuit cut optimization
最近的工作表明,大型量子线路可以被切割并分解成更小的量子线路簇,这些电路簇具有更少的量子比特,可以在小型量子计算机上独立执行。然后,经典的后处理将来自每个簇的结果组合以重建原始量子线路的输出。然而,这种混合量子经典算法的运行时间是电路上的切割次数的指数。我们提出了旋转启发电路切割优化(RICCO),一种替代方法,它减少了电路切割的后处理开销,在成本必须解决的优化问题。RICCO在切割位置引入幺正旋转来旋转量子态,使得相对于一组可观察量的期望值最大化,而其他可观察量被设置为零。我们演示了实际应用的RICCO VQE的经典模拟一个小的实例VQE,并将其与现有的电路切割方法之一。
2022-11-14 quant-ph
Towards optimization of quantum circuits
量子信息处理中的任何幺正操作都可以通过一系列更简单的步骤--量子门来实现。然而,量子门的实际实现总是不完美的,并且需要有限的时间。因此,寻求一种对给定操作有效的短序列门量子线路,是一项重要的任务。我们通过对Barenco et.al [1]提出的众所周知的通用程序进行优化来解决这个问题。我们还创建了一个计算机程序,实现了巴伦科的分解和建议的优化。此外,我们的优化可以应用到任何量子线路包含广义Toffoli门,包括基本的量子门电路。
2006-11-08 quant-ph
State Dependent Optimization with Quantum Circuit Cutting
Knight Foundation School of Computing and Information Sciences, Florida International University(佛罗里达国际大学 Knight 基金会计算与信息科学学院)
本文提出状态依赖优化(SDO)框架,结合ISDO、新提出的MSDO及有偏可观测量选择策略,并引入非分离线路切割方法,在QAOA、QFT和BV线路噪声模拟中有效降低噪声并提升性能。
2025-06-06 quant-ph
Quantum Chaos and Circuit Parameter Optimization
我们探讨了随机参数下变化电路态的量子混沌诊断,并研究了它们与电路可表达性和控制参数优化的相关性。通过测量约化密度矩阵的算符扩展系数和模哈密顿量的本征值谱,确定了随机矩阵模型在高深度电路状态下的普遍结构.我们构造不同的层酉对应的GOE和GUE分布和量化他们的VQA性能。我们的研究还强调了量子混沌的OTOC和BGS型诊断之间的潜在紧张关系。
2022-01-05 quant-ph
Variational Quantum Circuits for Deep Reinforcement Learning
National Taiwan University(台湾大学);Georgia Institute of Technology(佐治亚理工学院);IBM Research(IBM研究院)
最先进的机器学习方法是基于经典的冯·诺依曼计算体系结构,并已广泛应用于许多工业和学术领域。随着量子计算的最新发展,研究人员和科技巨头已经尝试了新的量子电路用于机器学习任务。然而,由于深度量子电路的复杂性,现有的量子计算平台很难模拟经典的深度学习模型或问题。因此,有必要设计可行的量子算法用于噪声中间尺度量子(NISQ)设备的量子机器学习。这项工作探索了用于深度强化学习的变分量子电路。具体来说,我们将经典的深度强化学习算法(如经验重放和目标网络)重塑为变分量子电路的表示。此外,我们使用量子信息编码方案,以减少模型参数的数量相比,经典的神经网络。据我们所知,这项工作是变分量子电路的第一个原理证明,以近似决策和策略选择强化学习的深度$Q$价值函数,并具有经验重放和目标网络。此外,我们的变分量子电路可以部署在许多近期NISQ机器。
2020-07-20 cs.AI cs.LG quant-ph
Quantum Gate Pattern Recognition and Circuit Optimization for Scientific Applications
将量子算法编码到量子线路中没有唯一的方法。由于量子位数、连通性和相干时间有限,电路优化对于充分利用近期量子器件至关重要。我们介绍了两个单独的想法电路优化,并将它们结合在一个多层的量子线路优化协议称为AQCEL。第一个要素是识别量子门重复模式的技术,为未来的硬件协同优化提供了可能性。第二个要素是通过识别零或低幅度计算基态和冗余门来降低电路复杂性的方法。作为演示,AQCEL部署在一个迭代和有效的量子算法,旨在模拟高能物理中的终态辐射。对于这种算法,我们的优化方案带来了显着减少的门数,而不会失去任何精度相比,原来的电路。此外,我们还研究了这是否可以在量子计算机上使用多项式资源来证明。我们的技术是通用的,可以用于各种各样的量子算法。
2021-08-05 quant-ph
Hybrid quantum-classical circuit simplification with the ZX-calculus
我们提出了一个完整的优化过程的混合量子经典电路与经典奇偶逻辑。虽然用于量子算法的常见优化技术集中于仅重写纯量子段,但是对于诸如量子纠错和量子断言之类的应用,有兴趣应用全局优化过程。本工作基于Duncan等人的纯量子线路优化方法,使用一个正式的图形ZX演算称为ZX-地面的扩展作为中间表示的混合电路,允许粒度优化低于量子门的水平。我们定义了一个翻译从混合电路到图表,承认图形理论的重点gFlow属性,需要最后提取回电路。然后,我们推导出一些gFlow保持优化规则的ZX-接地图,减少图形的大小,并设计一种策略,通过重写高斯消除过程指导下的图,以找到优化的机会。然后,提取电路后,我们提出了一个通用的程序检测段的电路一样的ZX-接地图,可以实现与经典的门在提取的电路。我们已经实现了我们的优化过程作为开源Python库PyZX的扩展。
2021-09-13 quant-ph
Machine Learning Optimization of Quantum Circuit Layouts
量子线路布局(QCL)问题是映射一个量子线路,使得器件的约束条件得到满足。我们介绍了一个量子线路映射启发式算法QXX及其机器学习版本QXX-MLP。后者自动推断最佳QXX参数值,使得所布置的电路具有减小的深度。为了加速电路编译,在布局电路之前,我们使用高斯函数来估计编译电路的深度。这个高斯函数也会告诉编译器哪个电路区域对结果电路的深度影响最大。我们提出了经验证据的可行性学习的布局方法,使用近似。QXX和QXX-MLP为可行的大规模QCL方法开辟了道路。
2022-09-25 quant-ph
QGo: Scalable Quantum Circuit Optimization Using Automated Synthesis
量子计算的当前阶段处于噪声中间尺度量子(NISQ)时代。在NISQ设备上,双量子比特门(如hocT)比单量子比特门噪声大得多,因此必须尽量减少它们的数量。量子线路综合是将任意幺正电路分解为一系列量子门的过程,并且可以用作优化工具来产生更短的电路以提高整体电路保真度。然而,合成的解决方案的时间随着量子比特的数量呈指数增长。因此,对于大量子比特规模的电路,合成是难以处理的。在本文中,我们提出了一个分层的,逐块优化框架,QGo,量子线路优化。我们的方法允许指数成本优化,以扩展到大型电路。QGo使用分区和合成的组合:1)将电路划分为一系列独立的电路块; 2)使用量子合成重新生成和优化每个块; 3)通过将所有块拼接在一起重新组成最终电路。我们进行了分析,并显示在三个不同的制度保真度的改善:小尺寸的电路上的真实设备,中等大小的电路上的噪声模拟,和大尺寸的电路上的分析模型。使用一组NISQ基准测试,我们表明,QGo可以减少CNOT门的数量,平均减少29.9%,与工业编译器(如t| ket>.当在IBM Athens系统上执行时,较短的深度导致较高的电路保真度。我们还展示了我们的QGo技术的可扩展性,以优化60+量子位的电路。我们的技术是第一次成功地采用和缩放合成的编译工具链中的大型电路的演示。总的来说,我们的方法是强大的直接纳入生产编译器工具链。
2022-03-23 quant-ph
Tensor train optimization of parametrized quantum circuits
本文研究变分量子本征求解器中参数化量子电路的优化问题,采用基于张量列的无导数方法求解横场伊辛模型基态,并与梯度方法对比,表明其在噪声环境下具有优势。
2023-06-03 quant-ph
Globally optimizing QAOA circuit depth for constrained optimization problems
我们开发了一个全局变量替换方法,减少$n$变量单项式在组合优化问题中的等价实例与单项式在更少的变量。我们将这种技术应用到$3$ -SAT中,并使用量子近似优化算法分析解决简化问题所需的最佳量子线路深度。对于基准$3$ -SAT问题,我们发现,电路深度的上界是较小的,当问题被制定为一个产品,并使用替代方法分解门比当问题被写在线性制定,这需要没有分解。
2021-08-06 quant-ph
Short Quantum Circuits in Reinforcement Learning Policies for the Vehicle Routing Problem
QC Ware Corp.(QC韦尔公司);AISIN CORPORATION(爱信公司);Aisin Technical Center of America(美国爱信技术中心)
量子计算和机器学习具有共生的潜力。然而,除了当前设备的硬件限制之外,在量子线路能够有效地与当前的机器学习任务结合之前,仍然存在必须解决的基本问题。我们报告了一种新的策略,这种整合的背景下,用于强化学习的注意力模型。实现注意力机制的代理已成功地应用于某些情况下的组合路由问题,首先编码节点上的图,然后依次解码节点,直到选择的路线。我们证明了简单的量子线路可以用来代替经典的注意头层,同时保持性能。我们的方法修改了[1]中使用的网络,将每个节点的密钥和查询向量替换为在测量之前纠缠的量子态。由此产生的混合经典量子代理的车辆路径问题的情况下,其性能是有竞争力的,与原来的经典方法进行了测试。我们认为我们的模型是一个可以扩大规模的原型,也是进一步研究量子计算在强化学习中作用的途径。
2021-09-15 cs.LG quant-ph
Quantum Computing Simulation Optimizations and Operational Errors on Various 2-qubit Multiplier Circuits
由于模拟量子计算机需要更多的经典资源,因此高效的算法非常有用。我们分析了创建单个量子位和特定受控量子位矩阵表示的门的算法。此外,我们使用模拟器来研究基于不同概率分布的错误,并研究存在操作错误时不同2量子位乘法器电路的鲁棒性。
2002-08-15 quant-ph
Structure optimization for parameterized quantum circuits
我们提出了一个有效的方法,同时优化量子线路的结构和参数值,只有一个小的计算开销。使用结构优化的浅电路比仅使用参数更新的电路表现得更好,使得这种方法特别适合于有噪声的中等规模量子计算机。本文介绍了在IBM Melbourne量子计算机上优化计算氢化锂和海森堡模型的基态的变分量子本征求解器的方法,以及计算氢气的基态的方法。
2021-01-27 quant-ph
QFAST: Conflating Search and Numerical Optimization for Scalable Quantum Circuit Synthesis
我们提出了一个量子合成算法,旨在产生短路和规模以及在实践中。的主要贡献是一种新的表示电路能够编码布局和拓扑结构使用通用的“门”,这使得QFAST算法,以取代昂贵的搜索电路结构与几个步骤的数值优化。与最佳深度、基于搜索的最先进技术相比,QFAST产生了类似的结果:电路长度增加了1.19倍,最多可达4个量子位,编译速度提高了3.6倍。此外,QFAST可扩展至7个量子位。与Qiskit中最先进的基于“规则”的分解技术相比,QFAST产生的电路短了两个数量级(331倍),尽管慢了5.6倍。我们还展示了与其他技术的可组合性和我们的配方在电路深度和运行时间方面的可调性。
2021-03-12 quant-ph
Circuit Partitioning and Transmission Cost Optimization in Distributed Quantum Circuits
针对分布式量子电路传输成本过高问题,提出基于QUBO模型的电路划分与动态前瞻优化方法,实验显示运行时间更短且传输成本显著降低。
2025-03-01 quant-ph
Differentiable Quantum Architecture Search for Quantum Reinforcement Learning
Ludwig Maximilians University(路德维希-马克西米利安大学);Siemens AG(西门子股份公司)
本文首次将可微分量子架构搜索(DQAS)应用于量子强化学习,在车杆和冰湖环境中验证其能自动高效设计电路并显著优于人工设计电路。
2023-09-20 cs.LG quant-ph
Probabilistic tensor optimization of quantum circuits for the max-$k$-cut problem
本研究提出一种基于概率张量采样优化的变分量子电路优化技术,可缓解初始化问题、避免局部极小值,经求解最大k割问题的QAOA验证,其寻优效果优于经典优化方法。
2024-01-31 quant-ph
Reinforcement Learning for Variational Quantum Circuits Design
Politecnico di Milano(米兰理工学院)
本研究利用强化学习设计变分量子电路,发现新型ansatz家族,提升优化问题求解效率。
2024-09-09 cs.LG quant-ph
Quantum Circuit Construction and Optimization through Hybrid Evolutionary Algorithms
本文提出混合进化算法最小化量子电路深度,结合参数优化或纯进化操作,从零构建或优化目标电路,实验显示可显著降低深度并保持高保真度。
2025-04-24 quant-ph
An RNN-policy gradient approach for quantum architecture search
本文提出一种基于深度强化学习的 RNN-策略梯度量子架构搜索方法,利用强化学习控制器和分层搜索自动设计电路,在分类任务上获得更高准确率且门与参数更少。
2024-05-09 quant-ph
Quantum State Preparation Circuit Optimization Exploiting Don't Cares
本文提出一种利用量子态制备电路中无关项条件的窥孔优化算法,通过替换不影响最终结果的局部酉操作,将双量子比特门数量较先前方法减少36%。
2024-09-02 quant-ph
QFactor: A Domain-Specific Optimizer for Quantum Circuit Instantiation
提出量子电路实例化优化算法QFactor,采用张量网络与迭代局部优化减少参数,支持CPU/GPU并行化,相比通用优化器实现指数级内存与性能提升,可处理超过12量子比特电路,并在BQSKit框架中支持100+量子比特电路的线性扩展优化。
2023-07-31 quant-ph