- 博客(16)
- 收藏
- 关注
RSS订阅原创 学习日志16
状态(作用)集可以用量子叠加态表示，本征态(本征作用)可以根据量子测量的坍缩假设随机观察模拟的量子态得到。分析了QRL的收敛性、最优性以及探索和利用之间的平衡等相关特性，表明该方法利用概率幅值很好地权衡了探索和利用之间的关系，并通过量子并行性加快了学习速度。如果将变换U应用于叠加态，则变换将作用于该态的所有基向量，输出将是通过叠加所有基向量的结果而获得的新的叠加态。就像传统的强化学习一样，量子强化学习系统也可以被识别为三个主要的子元素:一个策略，一个奖励函数和个环境模型(可能不明确)。
2024-07-16 23:01:24
113
原创 学习日志12
总的来说,这段注释描述了这个实现的一些关键特点,包括使用量子机器学习作为Q函数的近似器,采用计算基编码表示状态,使用softmax输出动作概率,以及结合深度Q学习、经验回放和目标网络等技术。第二个环境命名为’Deterministic-ShortestPath-4x4-FrozenLake-v0’,使用了一个名为’ShortestPathFrozenLake’的自定义环境作为入口点,同样设置了4x4的地图大小和确定性的环境。通过多轮次的测试,可以得到代理的平均奖励和平均步数,从而评估其在给定任务上的表现。
2024-07-03 23:26:49
567
原创 学习日志9
CNOT门用于纠缠来自每个量子位的量子态，R(α， β， γ)表示具有三个参数的一般单量子位酉门。请注意，量子位的数量可以调整以适应感兴趣的问题，分组框可能会重复几次以增加参数的数量，这取决于用于实验的量子机器的容量和能力。振幅的平方cq1,…有4 ×4 = 16种可能的状态，我们用0到15范围内的整数来标记每种可能的状态。其受到以智能体观察到的标记为11的状态控制，通过这个0-15的值控制旋转门中的值。量子电路在冰冻湖问题中的设计如图，通过对该量子电路的参数不断的优化以达到强化学习中Q 值函数的作用。
2024-06-30 23:08:23
346
原创 学习日志8
VQA的一个重要方面是将问题编码为损失函数。类似于经典的机器学习，损失函数将可训练参数θ的值映射到实数，优化任务是找到损失函数的全局最小值式中，U(θ)是参数化的酉，θ由离散和连续的参数组成，是训练集的输入状态，是一组可观察值，fk是编码任务的函数。对于一个给定的问题，可以有不同的fk选择。因C(θ)的最小值对应于问题的解，损失必须是可信的；在量子计算机上进行测量并可能进行经典后处理，从而来有效地估算C(θ)。这里隐含的假设是，损失不能用经典计算机有效地计算，因为这将意味着VQA不能实现量子优势。
2024-06-29 23:47:00
696
原创 学习日志7
深度Q网络算法（Deep Q-Network, DQN）是一种融合了深度学习和强化学习的方法，用于解决强化学习中的值函数近似问题。DQN是由DeepMind在2013年提出的，通过使用深度神经网络作为值函数的函数逼近器，能够处理高维、复杂的状态空间。深度Q网络算法在解决许多强化学习问题中取得了显著的成功，包括Atari游戏和机器人控制等领域。它通过结合深度学习和强化学习的优势，使得智能体能够处理高维、复杂的状态空间，并学习到高质量的决策策略。
2024-06-27 22:10:52
485
原创 学习日志6
当前最先进的机器学习方法基于经典冯·诺伊曼计算架构，并在许多工业和学术领域得到广泛应用。随着量子计算的发展，研究人员和技术巨头们试图为机器学习任务设计新的量子电路。然而，由于深度量子电路的不可模拟性，现有的量子计算平台很难模拟经典深度学习模型或问题。因此，有必要为噪声中等规模量子 (NISQ) 设备设计可行的量子算法。这项工作探索了深度强化学习中的变分量子电路。具体来说，我们将经典深度强化学习算法（如经验重放和目标网络）重塑为变分量子电路的表示。
2024-06-25 23:21:06
583
原创 学习日志5
相转变门（Phase-shift gate）是量子计算中的一种门操作，用于改变量子比特的相位。相位是量子比特的一个重要特性，它决定了比特在测量时的概率分布。不论是在经典计算还是量子计算中，两量子比特门无疑是建立量子比特之间联系的最重要桥梁。由于低位比特为控制比特，高位比特为目标比特，所以当低位比特位置对应为 1 时，高位比特就会被取反；相转变门的作用是根据输入比特的相位，对输出比特的相位进行相应的调整。门的图标中，含实点的路线对应的量子比特称为控制比特（，其特殊的是，控制相位门里交换控制比特和目标比特的。
2024-06-23 23:17:09
244
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人