谷歌又出量子计算新成果,这次用上了深度强化学习!
雷锋网(大众号:雷锋网) AI 科技谈论按:日前,谷歌在 Nature 协作期刊《npj Quantum Information》上宣布了一篇论文,提出结合深度强化学习的办法来完成通用量子操控,然后可以极大地进步量子核算机的核算才能。谷歌也在官方博客上宣布文章介绍了这项作业。论文下载地址:https://www.nature.com/articles/s41534-019-0141-3.pdf完成近期量子核算机的首要应战之一与其最基本的组成有关:量子比特。量子位可以与任何带着与自身能量附近的东西交互,包括杂散光子(如不需求的电磁场)、声子(量子设备的机械性振动)或量子亏本(制作期间所构成的芯片基板中的不规则性),其间,量子亏本会不行猜测地改动量子比特自身的状况。而使问题进一步复杂化的是,用于操控量子比特的东西带来了许多应战。研讨者经过经典的操控办法来操作和读取量子比特:模仿信号以电磁场的方式耦合到其间嵌入了量子比特的物理基底,例如超导电路。这些操控电子设备中的缺点(会形成白噪声)、来自外部辐射源的搅扰以及数模转换器的动摇会引进更多的随机差错,然后下降量子线路的功能。这些实践问题都会影响核算的保真度,因而约束了近期量子设备的运用。为了进步量子核算机的核算才能,并为完成大规模量子核算铺路,就必须首要树立可以精确描绘这些试验性问题的物理模型。谷歌在 Nature 协作期刊《npj Quantum Information》上宣布的《经过深度强化学习完成通用量子操控》(Universal Quantum Control through Deep Reinforcement Learning)论文中,提出了一种运用深度强化学习生成的新的量子操控结构,其间可以经过单个操控本钱函数来归纳量子可操控优化中的各类实践问题。与规范随机梯度下降的解决计划比较,该结构可将量子逻辑门的均匀差错最多下降两个数量级,而且大幅下降了来自最优门生成的副本的门时刻。这一成果为运用近期量子设备来展开量子仿真、量子化学和量子霸权测验敞开了愈加宽广的运用空间。这种新的量子操控范式,其立异之处在于对量子操控函数的改善以及提出的根据深度强化学习的高效优化办法。为了创立一个全面的本钱函数,首要需求为实践的量子操控进程创立一个物理模型,根据该模型,咱们可以可靠地猜测差错量。对量子核算的精确性最晦气的差错之一便是走漏:在核算进程中丢失的量子信息量。这种信息走漏一般发作在量子比特的量子态被激发为较高能态或经过自发辐射阑珊成较低能态时。走漏差错不只会丢失有用的量子信息,而且还会下降「量子性」,并最终使量子核算机的功能下降得与经典核算机差不多。在量子核算进程中精确地评价走漏信息的常见做法是,一开始就模仿整个核算。但是,这并晦气于达到构建大规模量子核算机的意图,由于量子核算机的优势就在于它们可以履行经典体系所无法履行的核算。谷歌研讨人员经过运用改善后的物理模型,可以让通用的本钱函数对逐步添加的走漏差错、操控边界条件的违反状况、总的门时刻和门保真度进行联合优化。创立了新的量子操控本钱函数后,下一步便是运用高效的优化东西将该函数最小化。经证明,现有的优化办法无法找到关于操控动摇相同具有鲁棒性的令人满意的高保真度解决计划。相反地,谷歌研讨人员则选用同步战略的深度强化学习(RL)办法,即相信域强化学习(Trusted-Region RL),由于该办法在所有基准问题中均表现出杰出的功能,对样本噪声具有固有的鲁棒性,而且可以优化有着数亿个操控参数的数百种高难度的操控问题。这种同步战略强化学习与从前研讨的异步战略强化学习办法之间的明显差异在于,其对操控战略的表明独立于操控本钱。另一方面,例如 Q 学习等异步战略强化学习运用单个神经网络(NN)来表明操控轨道和相关的奖赏,其间操控轨道指定要耦合到不一起刻步长的量子比特的操控信号,而相关的奖赏则评价量子操控当时步长的好坏。同步战略强化学习引人重视的一项才能在于:可以在操控轨道中运用非本地特征。当操控范畴是高维且包括很多组合的非大局解决计划时,这种才能就变得至关重要,而关于量子体系而言,这种状况常常发作。研讨人员将操控轨道编码为一个彻底衔接的三层神经网络,即战略 NN,一起将操控本钱函数编码为第二个神经网络(值 NN),后者可以对扣头未来奖赏(Discounted Future Reward)进行编码。强化学习智能体在模仿实践中的噪音操控驱动的随机环境下练习这两个神经网络,获得了鲁棒的操控解决计划。此外,他们还为一组接连参数化的两位量子门供给了操控解决计划,这关于量子化学运用而言很重要,不过,运用传统的通用量子门集完成这一操作,本钱也很高。谷歌研讨人员运用这一新结构进行的数值模仿成果表明,与通用量子门集的传统办法比较,该办法将量子门差错减少了 100 倍,与此一起,还为一系列接连参数化的模仿量子门将门时刻减少了均匀一个数量级。这项作业凸显了运用立异性机器学习技能和可以运用通用量子操控计划的灵活性和附加核算才能的近期量子算法的重要性。进一步,该范畴的研讨者还需求做更多的试验来将机器学习技能(就比如说咱们在这项作业中开发的技能)整合到实践的量子核算进程中,然后运用机器学习来充沛进步量子核算机的核算才能。量子产品是真的吗量子产品量子股票有哪几只量子核算原理量子核算算法量子核算速度


这是水淼·WordPress站群文章更新器的试用版本发布的文章,故有此标记(2019-10-12 10:53:24)

发表评论

电子邮件地址不会被公开。 必填项已用*标注