量子科技中心_量科网

作为量子机器学习的一个分支，量子强化学习（QRL）旨在通过利用量子资源，比经典方法更高效地解决复杂序贯决策问题。然而在含噪声中等规模量子（NISQ）时代，其实现受到普遍存在的噪声退相干效应的挑战。该研究团队提出了一种面向量子本征求解器的抗噪声QRL方案。通过研究非马尔可夫退相干效应对求解两能级系统本征态的QRL智能体的影响，研究人员发现：当智能体-噪声系统能谱中形成束缚态时，QRL性能可恢复至无噪声水平。该工作揭示了抑制量子机器学习中退相干效应的普适物理机制，为NISQ算法设计奠定了理论基础，并为其实际应用提供了指导原则。