研究人员开发了一个新颖的强化学习框架，该框架利用紧凑的参数化量子电路（PQC）进行器件建模，特别是在数据有限的情况下。该框架采用通过近端策略优化进行优化的图神经网络策略来搜索最优电路架构。与经典基线相比，该方法表现出优越的性能，在氮化镓高电子迁移率晶体管（GaN HEMT）和纳米线FET（NWFET）方面均实现了显著更低的平均绝对误差和更紧密的批次变异性。这些发现突显了通过RL选择的经典模拟PQC作为器件数据集的有效替代方案的有效性，即使没有明确的物理约束。 AI
影响 这项研究展示了量子机器学习和强化学习在提高器件建模的准确性和变异性方面的新颖应用，可能对半导体设计和制造产生影响。
排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了使用量子机器学习进行器件建模的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- compact parametrized quantum circuits (PQCs)
- GaN HEMTs
- Graph Neural Network (GNN)
- Khemchik
- leave-one-group-out cross-validation (LOGOCV)
- Nanowire FETs
- NWFETs
- Proximal Policy Optimization (PPO)
- Reinforcement Learning (RL)-Based Energy Efficient Resource Allocation for Energy Harvesting-Powered Wireless Body Area Network
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
