LLM通过增强记忆的测试时学习优化量子电路合成

研究人员开发了一个新颖的框架，利用大型语言模型（LLM）来优化黑盒科学设计问题。这种增强记忆的测试时优化方法通过纳入高分候选者的情景记忆、分数差异反馈和从最佳样本重启，来增强迭代搜索。当应用于量子电路合成时，该框架在20量子比特电路上实现了近乎完美的纠缠度量，并且与随机爬山基线相比，在更具挑战性的25量子比特电路上以显著更少的Oracle调用次数达到了最优结果。 AI

影响 展示了LLM在复杂科学优化任务中的潜力，可能加速量子物理等领域的发现。

排序理由 详细介绍LLM驱动的优化新颖框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• Adriano Macarone-Palmieri
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• large-language models
• Meyer--Wallach
• quantum physics
• ScienceCast

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →