Challenges for Reinforcement Learning in Quantum Circuit Design

要約

現在のNISQ時代の量子コンピューティング（QC）は、サイズと精度にまだ限界がある。これらの欠点を緩和するハイブリッド・アプリケーションは、早期の洞察と利点を得るために普及している。ハイブリッド量子機械学習（QML）は、機械学習（ML）を改善するためのQCの応用と、QCアーキテクチャを改善するためのMLの応用の両方から構成される。本研究では、後者について検討し、実行可能な量子アーキテクチャの探索を改善するために強化学習（RL）を活用する。さらに、マルコフ決定過程として定式化された具体的なフレームワークを提案し、連続的にパラメータ化された量子ゲートの普遍的なセットを制御できる学習ポリシーを実現する。最後に、現在の最先端のRLアルゴリズムの欠点と長所を評価するためのベンチマーク比較を提供する。

要約(オリジナル)

Quantum computing (QC) in the current NISQ era is still limited in size and precision. Hybrid applications mitigating those shortcomings are prevalent to gain early insight and advantages. Hybrid quantum machine learning (QML) comprises both the application of QC to improve machine learning (ML) and ML to improve QC architectures. This work considers the latter, leveraging reinforcement learning (RL) to improve the search for viable quantum architectures, which we formalize by a set of generic challenges. Furthermore, we propose a concrete framework, formalized as a Markov decision process, to enable learning policies capable of controlling a universal set of continuously parameterized quantum gates. Finally, we provide benchmark comparisons to assess the shortcomings and strengths of current state-of-the-art RL algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL