鄧東靈研究組應用強化機器學習算法實現量子編譯優化

2020年10月23日 瀏覽次數: 0

     近日，清華大學交叉信息研究院鄧東靈研究組與北京大學張億研究組合作，首次把強化機器學習的方法引入到量子編譯中，實現了優化量子編譯線路的普適算法。該成果論文Topological Quantum Compiling with Reinforcement Learning （《拓撲量子編譯與強化學習》）近日發表于國際學術期刊Physical Review Letters（《物理評論快報》）。

       量子編譯是指把量子算法分解為一系列可以在量子硬件上實現的基本門操作的過程，它是實現量子計算的基石。傳統方法在解決這一問題時面臨一些困難：如索羅維-基塔耶夫算法（Solovay-Kitaev算法）不能輸出長度最優的量子編譯序列以實現某個特定的量子門操作，而暴力窮舉算法雖可實現長度最優，但其耗時隨序列長度指數增加。

       最近，在機器學習領域有一個重要進展是通過強化學習算法可以有效解決魔方還原問題。鄧東靈課題組與合作者通過研究發現，魔方還原問題與量子編譯問題有很強的相似性（如下表1所示），因此可以用強化學習的方法來解決量子編譯問題。該論文提出了一個解決量子編譯問題的普適強化學習算法（如下圖1所示）。此算法不需要輔助量子比特，也不依賴于實現通用量子計算的基本量子門操作的集合。為展示此算法相對傳統算法的優勢，該論文研究了拓撲量子計算中對斐波那契任意子（Fibonacci任意子）的編譯問題。

 

表1： 量子編譯問題與魔方還原問題的相似性。

 

Figure 1： 量子編譯的強化機器學習算法。

       研究結果表明，對于給定精度，通過強化學習的算法可以得到接近長度最優的量子編譯序列，且所需時間與給定精度倒數的對數成線性關系。因此，此算法所得量子編譯序列長度遠優于Solovay-Kitaev算法，而所需時間相比暴力窮舉算法有指數優勢。此研究成果在強化機器學習與量子計算之間建立了新的橋梁，提出了較優的量子編譯算法，將對未來量子計算的理論與實驗研究產生影響。

      論文共同通訊作者為鄧東靈助理教授與張億助理教授。交叉信息院訪問學生張遠航（現為加利福尼亞大學圣迭戈分校博士生）為論文第一作者，北京大學博士生鄭沛林為第二作者。此項研究工作得到了清華大學啟動經費、北京大學啟動經費以及上海期智研究院的支持。

論文鏈接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.125.170501