Approximate Quantum State Preparation Through Proximal Policy Optimization
作者: Marco Mordacci, Michele Amoretti
分类: quant-ph, cs.ET, cs.LG
发布日期: 2026-07-23
💡 一句话要点
提出基于近端策略优化的量子态近似制备框架
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 量子态制备 近端策略优化 深度强化学习 量子计算 电路优化 保真度计算 量子比特
📋 核心要点
- 量子态近似制备（QSP）面临搜索空间指数级增长的挑战，现有方法难以有效识别最优电路。
- 本文提出通过近端策略优化的深度强化学习代理来优化量子电路，旨在最小化门数并提高目标态的近似精度。
- 实验结果显示，该框架在2到5个量子比特的情况下，能够实现高达$10^{-14}$的近似误差，显著提升了量子态制备的精度。
📝 摘要（中文）
本文提出了一种用于近似量子态制备（QSP）的量子架构搜索框架。QSP是一项具有挑战性的任务，因为随着量子比特数量的增加，搜索空间呈指数级增长，使得识别最优电路变得复杂。为了解决这一问题，本文采用了深度强化学习，通过基于近端策略优化的代理来进行优化。代理的目标是在最小化所用门数的同时，识别目标态的最佳近似。在每一步中，代理向电路中添加一个新门，并重新计算近似态与目标态之间的保真度。实验涵盖了2到5个量子比特的情况，考虑了贝尔态、GHZ态、W态和Dicke态等预定义态以及完全随机态。所提出的框架能够实现$10^{-14}$的近似误差。
🔬 方法详解
问题定义：本文旨在解决量子态近似制备中的电路优化问题。现有方法在面对量子比特数量增加时，搜索空间迅速扩大，导致最优电路的识别变得极为复杂。
核心思路：论文的核心思路是利用深度强化学习中的近端策略优化方法，设计一个代理来逐步优化量子电路。代理通过添加新门并计算保真度，逐步接近目标态。
技术框架：整体架构包括一个深度强化学习代理，该代理在每一步中选择添加的门，并通过计算近似态与目标态的保真度来评估效果。框架分为状态表示、动作选择和奖励计算三个主要模块。
关键创新：最重要的技术创新在于将近端策略优化应用于量子态制备问题，显著提高了电路优化的效率和效果，与传统方法相比，能够在更短时间内找到更优解。
关键设计：在设计中，代理的损失函数考虑了保真度和门数的权衡，网络结构采用了适合量子电路特征的深度学习模型，确保了在多种量子态下的有效性。实验中使用了2到5个量子比特的多种态进行验证。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的框架在2到5个量子比特的情况下，能够实现高达$10^{-14}$的近似误差，显著优于现有的量子态制备方法，展示了深度强化学习在量子计算领域的应用潜力。
🎯 应用场景
该研究的潜在应用领域包括量子计算、量子通信和量子信息处理等。通过提高量子态制备的精度，可以推动量子算法的实现，提升量子计算机的性能，具有重要的实际价值和未来影响。
📄 摘要（原文）
In this work, a quantum architecture search framework for approximate quantum state preparation (QSP) is proposed. QSP is a challenging task, since the search space grows exponentially with the number of qubits, making the identification of the optimal circuit non-trivial. To address this problem, deep reinforcement learning is employed through an agent based on proximal policy optimization. The objective of the agent is to identify the best possible approximation of the target state while simultaneously minimizing the number of gates used. At each step, the agent appends a new gate to the circuit and recomputes the fidelity between the approximated state and the target states. Various experiments have been performed from 2 to 5 qubits. Both predefined states, such as Bell, GHZ, W, and Dicke states, and completely random states are considered. The proposed framework is able to achieve approximation errors of $10^{-14}$.