科學家使用強化學習訓練量子算法

量子計算的最新進展推動了科學界對解決一類復雜問題的追求，與傳統的超級計算機相比，量子計算機將更適合于此類問題。為了提高量子計算機解決這些問題的效率，科學家們正在研究人工智能方法的使用。

在一項新的研究中，美國能源部(DOE)阿爾貢國家實驗室的科學家們開發了一種基于強化學習的新算法，以找到量子近似優化算法(QAOA)的最佳參數，從而使量子計算機能夠解決某些問題。組合問題，例如材料設計，化學和無線通信中出現的問題。

Argonne計算機科學家Prasanna Balaprakash說：“組合優化問題是那些隨著您擴展決策變量數量而導致解決方案空間呈指數級增長的問題。” “在一個傳統的示例中，您可以通過列舉所有可能的路線找到需要一次訪問幾個城市的推銷員的最短路線，但是如果有成千上萬個城市，則可能的路線數量遠遠超過了宇宙中的星星數量;即使最快的超級計算機也無法在合理的時間內找到最短的路線。”

QAOA是最近開發的，被認為是證明量子計算機優勢的領先候選人之一。QAOA是一種混合的量子經典算法，它同時使用經典計算機和量子計算機來近似解決組合優化問題。

不同類別的樣本圖的能源格局。圖片提供：Prasanna Balaprakash /阿貢國家實驗室

Argonne開發的新算法學習了如何通過反饋機制配置QAOA。所提出算法的特殊性在于它可以在較小的問題實例上進行訓練，并且訓練后的模型可以使QAOA適應較大的問題實例。Balaprakash說：“這有點像一輛自動駕駛汽車在交通中。” “該算法可以檢測出何時需要對用于計算的“撥號”進行調整。”

QAOA在解決5G無線通信中出現的組合問題方面可能具有顯著優勢。根據Balaprakash的說法，一個名為Max-Cut的科學問題可以用來模擬不同無線設備如何同時相互通信，并且它們之間的干擾最小。大規模解決此類問題具有挑戰性，但對于優化無線頻譜管理而言卻很重要。

伊利諾伊理工學院的研究作者和研究生薩米·凱里說，使用機器學習來優化量子算法需要根據其表現如何對其進行“獎勵”和“懲罰”訓練。他說：“這是一個迭代過程，可讓我們改善計算的運行方式。” “它學習了分配新參數的更好方法，我們希望盡快分配好的參數。”

Khairy解釋說，進行這種機器學習的最大優勢之一是能夠在更廣泛的問題實例中概括發現原理。他說：“我們設計了一種可在多個實例中使用的優化算法。” “在以前的研究中，就好像我們在訓練一名駕駛員駕駛一種汽車;在這里，我們有能力實時地訓練駕駛員適應多種不同的汽車。”

2月在人工智能(AI)大會AAAI-20上發表了一篇基于團隊工作的論文“學習優化變分量子電路以解決組合問題”。