Reinforcement Learning for Control Variational Quantum Algorithm
Rattachement africain : us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Variational quantum algorithms (VQAs) are key enablers of practical computations on near-term quantum computing hardware. However, gate-based ansatz suffer from decoherence and control errors, limiting scalability. Pulse-level approaches, such as control variational quantum eigen solver (ctrl-VQE), address these challenges by directly optimizing analog control fields and enabling time-optimal state preparation. Building on this paradigm, we present a reinforcement-learning (RL) framework that autonomously discovers high-fidelity, time-efficient control pulses. Using a hydrogen dimer testbed, our RL agent achieves state-fidelity above 0.995 and ground state energy errors near 0.005 Hartree, demonstrating the promise of AI-driven, hardware-efficient quantum algorithms.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Reinforcement Learning for Control Variational Quantum Algorithm
- Date Crossref
- 10/04/2026
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.