Adriano Macarone-Palmieri

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。