Equilibrium Learning of Quantum Circuits
Dieses Paper schlägt ein neuartiges Framework für das Quantenschaltkreis-Lernen vor, indem es parametrisierte Schaltkreise in Feynman-Kitaev-Hamiltonoperatoren einbettet, um auf Gleichgewicht basierende Kostenfunktionen zu definieren, die die Optimierungslandschaft umgestalten und eine effizientere Kompilierung mittels Quantenphasenschätzung im Vergleich zu Standard-Infidelitätsmetriken ermöglichen.