科学家使用强化学习训练量子算法

量子计算的最新进展推动了科学界对解决一类复杂问题的追求，与传统的超级计算机相比，量子计算机将更适合于此类问题。为了提高量子计算机解决这些问题的效率，科学家们正在研究人工智能方法的使用。

在一项新的研究中，美国能源部(DOE)阿尔贡国家实验室的科学家们开发了一种基于强化学习的新算法，以找到量子近似优化算法(QAOA)的最佳参数，从而使量子计算机能够解决某些问题。组合问题，例如材料设计，化学和无线通信中出现的问题。

Argonne计算机科学家Prasanna Balaprakash说：“组合优化问题是那些随着您扩展决策变量数量而导致解决方案空间呈指数级增长的问题。” “在一个传统的示例中，您可以通过列举所有可能的路线找到需要一次访问几个城市的推销员的最短路线，但是如果有成千上万个城市，则可能的路线数量远远超过了宇宙中的星星数量;即使最快的超级计算机也无法在合理的时间内找到最短的路线。”

QAOA是最近开发的，被认为是证明量子计算机优势的领先候选人之一。QAOA是一种混合的量子经典算法，它同时使用经典计算机和量子计算机来近似解决组合优化问题。

不同类别的样本图的能源格局。图片提供：Prasanna Balaprakash /阿贡国家实验室

Argonne开发的新算法学习了如何通过反馈机制配置QAOA。所提出算法的特殊性在于它可以在较小的问题实例上进行训练，并且训练后的模型可以使QAOA适应较大的问题实例。Balaprakash说：“这有点像一辆自动驾驶汽车在交通中。” “该算法可以检测出何时需要对用于计算的“拨号”进行调整。”

QAOA在解决5G无线通信中出现的组合问题方面可能具有显着优势。根据Balaprakash的说法，一个名为Max-Cut的科学问题可以用来模拟不同无线设备如何同时相互通信，并且它们之间的干扰最小。大规模解决此类问题具有挑战性，但对于优化无线频谱管理而言却很重要。

伊利诺伊理工学院的研究作者和研究生萨米·凯里说，使用机器学习来优化量子算法需要根据其表现如何对其进行“奖励”和“惩罚”训练。他说：“这是一个迭代过程，可让我们改善计算的运行方式。” “它学习了分配新参数的更好方法，我们希望尽快分配好的参数。”

Khairy解释说，进行这种机器学习的最大优势之一是能够在更广泛的问题实例中概括发现原理。他说：“我们设计了一种可在多个实例中使用的优化算法。” “在以前的研究中，就好像我们在训练一名驾驶员驾驶一种汽车;在这里，我们有能力实时地训练驾驶员适应多种不同的汽车。”

2月在人工智能(AI)大会AAAI-20上发表了一篇基于团队工作的论文“学习优化变分量子电路以解决组合问题”。