利用人工智慧改進量子系統

Fri, 12 Sep 2025 00:00:00 +0000

使用人工智慧，更準確地說是神經網路（NN），不僅是顯而易見的，而且幾乎是2025年任何系統的必備組成部分。毫不奇怪，關於這主題的研究論文層出不窮。然而，最新的研究透過將神經網路高效整合到量子控制系統中，將這一領域推向了新的高度。

本文以新加坡量子技術中心 CQT/NUS 的工作為基礎，更具體地說是以 Arthur Strauss 的研究為基礎。我有幸在上一次 SQA 活動中與他進行了討論和交流。

強化學習來幫忙 Link to heading

他們的想法非常吸引人：利用強化學習方法，基於旨在最大化控制效率的獎勵機制，幫助量子控制系統調整量子位元的控制（即量子閘）。你可能會問，這有什麼意義呢？如前文（link）所述，量子位元是非常敏感的“實體”，需要格外注意。而神經網路的作用就在於此，它能夠幫助量化這種關注的質量，也就是我們常說的保真度。

這是如何工作的？強化學習基於觀察/動作的循環，透過迭代的環境 -> 智能體獎勵系統（下圖中的“a”）進行學習，通常使用 GPU 運行，然後，一旦學習完成，就在緊密耦合的矩陣乘法器（或不！

圖片來源：Nature

請注意，由於觀測（也稱為量子位元讀出）會破壞量子態，因此學習週期首先重置量子位元狀態，執行控制閘，讀出量子位元狀態，並將資訊回饋給代理。

讓我們詳細了解強化學習的 4 個組成部分：

*環境即量子控制器和量子位元本身。

*觀察結果是量子位元在受到環境操縱後的特性。

強化學習方法通常可以分為兩大類：基於價值的方法和基於策略梯度的方法。

基於價值的方法著重於估計價值函數並從中匯出策略。基於策略梯度的方法透過梯度上升最大化預期累積獎勵來直接優化策略。

策略迭代的優點在於其收斂速度遠快於基於值的策略，儘管計算成本更高。而策略梯度演算法正是透過降低計算複雜度來發揮作用。策略梯度演算法範例，包括 reinforce 演算法：

在上圖中，「s」代表狀態，「a」代表動作，「r」代表獎勵。

在強化學習中，回合和迭代是不同的概念：