Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures
Dieser Artikel schlägt einen neuartigen Ansatz des Deep Reinforcement Learning vor, der Transformer-Encoder und Graph-Neuronale Netze integriert, um effizient Heuristiken für das Mapping logischer Qubits auf physikalische Kerne in modularen Quantenarchitekturen zu erlernen, wodurch die Kommunikation zwischen den Kernen minimiert und die Kompilierzeit im Vergleich zu Baseline-Methoden reduziert wird.