Graph Reinforcement Learning for Calibration-Aware Quantum Circuit Routing
Dieses Paper präsentiert einen kalibrierungssensitiven Graph-Reinforcement-Learning-Ansatz für das Routing von Quantenschaltkreisen, der durch die Nutzung von Echtzeit-Hardware-Kalibrierungsdaten und Proximal Policy Optimization eine signifikant höhere simulierte Fidelität als Standard-SABRE-basierte Methoden bei kleinen bis mittleren Schaltkreisen erreicht, obwohl er höhere Zwei-Qubit-Gate-Anzahlen verursacht.