Enhancing variational quantum state diagonalization using reinforcement learning techniques

要約

変分量子アルゴリズムの開発は、NISQ コンピューターのアプリケーションにとって重要です。
このようなアルゴリズムには短い量子回路が必要であり、短期的なハードウェアでの実装が容易であり、そのような手法が多数開発されています。
特に興味深いの 1 つは、いわゆる変分対角化法です。これは重要なアルゴリズム サブルーチンを構成し、量子状態でエンコードされたデータを処理するために直接使用できます。
特に、システムのもつれ特性や量子機械学習アルゴリズムなどの量子状態の特徴を識別するために適用できます。
この研究では、強化学習を利用して、量子状態対角化タスクに必要な非常に浅い量子回路を設計する問題に取り組みます。
これを達成するために、強化学習アプローチを使用して回路深さの最適化の問題に取り組むために使用できる新しいエンコード方法を利用します。
私たちのアプローチは、少数のゲートを使用しながら、対角化タスクに確実な近似を提供することを示します。
強化学習法によって提案される回路は、標準的な変分量子状態対角化アルゴリズムよりも浅いため、量子回路の深さがハードウェア機能によって制限される状況で使用できます。

要約(オリジナル)

The development of variational quantum algorithms is crucial for the application of NISQ computers. Such algorithms require short quantum circuits, which are more amenable to implementation on near-term hardware, and many such methods have been developed. One of particular interest is the so-called the variational diagonalization method, which constitutes an important algorithmic subroutine, and it can be used directly for working with data encoded in quantum states. In particular, it can be applied to discern the features of quantum states, such as entanglement properties of a system, or in quantum machine learning algorithms. In this work, we tackle the problem of designing a very shallow quantum circuit, required in the quantum state diagonalization task, by utilizing reinforcement learning. To achieve this, we utilize a novel encoding method that can be used to tackle the problem of circuit depth optimization using a reinforcement learning approach. We demonstrate that our approach provides a solid approximation to the diagonalization task while using a small number of gates. The circuits proposed by the reinforcement learning methods are shallower than the standard variational quantum state diagonalization algorithm, and thus can be used in situations where the depth of quantum circuits is limited by the hardware capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google