请选择 进入手机版 | 继续访问电脑版

网赚研究院-致富网赚论坛-网赚宝盒-华夏网赚论坛-28网赚-贵族网赚论坛-日付网赚联盟

 找回密码
 立即注册
查看: 83|回复: 0

疯狂猜成语两个女人 谷歌又出量子计算新成果,这次用上了深度强化学习 小说免费下载全本完结

发表于 2019-10-9 20:22 | 830 显示全部楼层 |阅读模式

[复制链接]

1万

主题

3万

帖子

5万

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
59332
发表于 2019-10-9 20:22 | 显示全部楼层 |阅读模式
这是写在帖子头部的内容
作者 | Murphy Yuezhen Niu, Sergio Boixo
编译 | 丛末
编辑 | 唐里

原题目:Improving Quantum Computation with Classical Machine Learning
日前,谷歌在 Nature 合作期刊《npj Quantum Information》上颁发了一篇论文,提出团结深度强化进修的方式来实现通用量子控制,从而可以大要极大地进步量子盘算机的盘算本事。谷歌也在官方博客上颁发文章先容了这项工作。
https://www.nature.com/articles/s41534-019-0141-3.pdf
实现近期量子盘算机的严重搬弄之一与其最底子的组成有关:量子比特。量子位可以与任何照顾与本身能量附近的工具交互,包含杂散光子(如不需要的电磁。⑸樱孔幼氨傅幕敌哉竦矗┗蛄孔映钥鳎ㄖ圃焓贝钩傻男酒逯械牟环ㄔ蛐裕,其中,量子吃亏会不成猜测地改变量子比特自己的状态。
而使题目进一步复杂化的是,用于控制量子比特的工具带来了很多搬弄。研讨者经过典范的控制方式来操纵和读取量子比特:模仿信号以电磁场的形式耦合到其中嵌入了量子比特的物理基底,例如超导电路。这些控制电子装备中的缺点(会形成白噪声)、来自内部辐射源的干扰以及数模转换器的波动会引入更多的随机毛,从而低落量子线路的性能。这些现实题目城市影响盘算的保真度,是以限制了近期量子装备的利用。
为了进步量子盘算机的盘算本事,并为实现大范围量子盘算铺路,就必须首先建立可以大要正确描摹这些实行性题方针物理模子。
谷歌在 Nature 合作期刊《npj Quantum Information》上颁发的《经过深度强化进修实现通用量子控制》(Universal Quantum Control through Deep Reinforcement Learning)论文中,提出了一种利用深度强化进修天生的新的量子控制框架,其中可以经过单个控制本钱函数来概括量子可控制优化中的各类现实题目。与标准随机梯度下降的打点计划相比,该框架可将量子逻辑门的均匀毛病最多低落两个数目级,而且大幅低落了来自最优门天生的副本的门时候。这一结果为利用近期量子装备来展开量子仿真、量子化学和量子霸权测试开启了加倍广漠的利用空间。
这类新的量子控制范式,其创新之处在于对量子控制函数的改良以及提出的基于深度强化进修的高效优化方式。
为了建立一个周全的本钱函数,首先需要为现实的量子控制进程建立一个物理模子,基于该模子,我们可以大要牢靠地猜测毛病量。对量子盘算的正确性最倒霉的毛病之一就是泄漏:在盘算进程中损失的量子信息量。这类信息泄漏凡是发生在量子比特的量子态被激发为较高能态或经过自觉辐射衰退成较低能态时。泄漏毛病不单会损失有用的量子信息,而且还会低落「量子性」,并终极使量子盘算机的性能低落得与典范盘算机差不多。
在量子盘算进程中正确地评价泄漏信息的常见做法是,一路头就模仿全部盘算。但是,这并倒霉于告竣构建大范围量子盘算机的方针,由于量子盘算机的上风就在于它们可以大要实行典范系统所没法实行的盘算。谷歌研讨职员经过利用改良后的物理模子,可以大要让通用的本钱函数对渐渐增加的泄漏毛病、控制界限条件的违反情况、总的门时候和门保真度举行团结优化。
建立了新的量子控制本钱函数后,下一步就是利用高效的优化工具将该函数最小化。经证实,现有的优化方式没法找到对于控制波动一样具有鲁棒性的使人满足的高保真度打点计划。相反地,谷歌研讨职员则采取同步计谋的深度强化进修(RL)方式,即置信域强化进修(Trusted-Region RL),由于该方式在全数基准题目中均表现出精巧的性能,对样本噪声具有固有的鲁棒性,而且可以大要优化有着数亿个控制参数的数百种高难度的控制题目。
这类同步计谋强化进修与先前研讨的异步计谋强化进修方式之间的明显差别在于,其对控制计谋的表现自力于控制本钱。另一方面,例如 Q 进修等异步计谋强化进修利用单个神经收集(NN)来表现控制轨迹和关连的嘉奖,其中控制轨迹指定要耦合到不同时候步长的量子比特的控制信号,而关连的嘉奖则评价量子控制当前步长的好坏。
同步计谋强化进修引人关注的一项本事在于:可以大要在控制轨迹中利用非当地特征。当控制范围是高维且包含大量组合的非全局打点计划时,这类本事就变得相当严重,而对于量子系统而言,这类情况经常发生。
研讨职员将控制轨迹编码为一个完全毗连的三层神经收集,即计谋 NN,同时将控制本钱函数编码为第二个神经收集(值 NN),后者可以对折扣未来嘉奖(Discounted Future Reward)举行编码。强化进修智能体在模仿现实中的乐音控制驱动的随机情况下练习这两个神经收集,获得了鲁棒的控制打点计划。此外,他们还为一组持续参数化的两位量子门供给了控制打点计划,这对于量子化学利用而言很严重,不外,利用传统的通用量子门集实现这一操纵,本钱也很高。
谷歌又出量子计算新成果,这次用上了深度强化学习  新闻
谷歌研讨职员利用这一新框架举行的数值模仿结果表白,与通用量子门集的传统方式相比,该方式将量子门毛病淘汰了 100 倍,与此同时,还为一系列持续参数化的模仿量子门将门时候淘汰了均匀一个数目级。
这项工作凸显了利用创新性呆板进修技术和可以大要利用通用量子控制计划的灵活性和附加盘算本事的近期量子算法的严重性。进一步,该范围的研讨者还需要做更多的实行来将呆板进修技术(就比如说我们在这项工作中斥地的技术)整合到现实的量子盘算进程中,从而利用呆板进修来充实进步量子盘算机的盘算本事。
via https://ai.googleblog.com/2019/10/improving-quantum-computation-with.html

免责声明:假如加害了您的权益,请联系站长,我们会实时删除侵权内容,感谢合作!
感激您的阅读
回复

使用道具 举报

0条回复
跳转到指定楼层
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Copyright © 2001-2015 忽悠兄 X3.2 © 2001-2013 Comsenz Inc.

Archiver|手机版|小黑屋| Comsenz Inc.  |网站地图

快速回复 返回顶部 返回列表