留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

本期“量子信息”专栏评述

专栏编委会

专栏编委会. 本期“量子信息”专栏评述[J]. 电子科技大学学报, 2022, 51(2): 161-161.
引用本文: 专栏编委会. 本期“量子信息”专栏评述[J]. 电子科技大学学报, 2022, 51(2): 161-161.
Editorial Board of Special Topic. Comments to Special Topic Articles[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(2): 161-161.
Citation: Editorial Board of Special Topic. Comments to Special Topic Articles[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(2): 161-161.

本期“量子信息”专栏评述

Comments to Special Topic Articles

计量
  • 文章访问数:  2963
  • HTML全文浏览量:  927
  • PDF下载量:  112
  • 被引次数: 0
出版历程
  • 录用日期:  2022-02-22
  • 刊出日期:  2022-03-25

本期“量子信息”专栏评述

English Abstract

专栏编委会. 本期“量子信息”专栏评述[J]. 电子科技大学学报, 2022, 51(2): 161-161.
引用本文: 专栏编委会. 本期“量子信息”专栏评述[J]. 电子科技大学学报, 2022, 51(2): 161-161.
Editorial Board of Special Topic. Comments to Special Topic Articles[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(2): 161-161.
Citation: Editorial Board of Special Topic. Comments to Special Topic Articles[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(2): 161-161.
    • 区块链被认为是一种正在颠覆互联网、变革传统生产关系以及提高生产力的革命性创新体系,具有重大发展潜力。然而,量子计算机具备破坏哈希函数、公钥密码等传统信息安全技术的潜力,给依赖于传统密码学的区块链系统带来了严重威胁。因此,研究“量子+区块链”这一方向,意义重大。由于相关的研究成果较少,并且已有成果相对独立,系统性的研究总结一直缺乏。

      该文总结了区块链产业和量子科技发展现状,指出两者都极具战略价值和科学意义;分析了在即将来临的量子时代,Grover算法和Shor算法如何在理论上攻击区块链核心技术中的共识算法和密码体系;接着说明了量子科技如何从量子通信、量子共识算法、量子随机数、量子签名等方面赋予区块链更安全高效的性能,从而打造新型量子区块链系统;最后指出了“量子+区块链”存在的问题以及发展趋势。通过明确的背景介绍和引用大量重要研究成果,该文分析总结了区块链将面临的量子科技所带来的诸多机遇与挑战,阐明了“量子+区块链”这一新兴研究方向的研究现状及未来发展趋势,并指明其所具有的重要价值和意义,为相关研究提供了有益的指导与借鉴。

    • 强化学习作为一类重要的机器学习模型,用于解决人工智能体如何在环境中采取行动以最大化其累积奖励的问题。其中,深度强化学习利用深度神经网络生成人工智能体的动作选择策略,可以有效解决基于离散动作空间和连续动作空间的强化学习问题。然而,随着任务环境变得复杂,利用经典神经网络生成人工智能体的动作选择策略需要扩大经典神经网络规模,从而导致其参数数量激增。因此,一个自然的想法是能否利用量子神经网络替代经典神经网络,利用量子态的叠加性或量子纠缠等资源减少神经网络的参数规模。已有的量子深度强化学习方案在训练量子智能体时,具有需要量子智能体与经典环境进行大量交互的问题,这增加了量子线路执行的次数。

      该文沿着如何减少量子智能体与经典环境的交互次数这一方向进行了深入讨论,提出了一种基于情景记忆的量子深度强化学习模型。该模型将拥有高奖励值的历史训练记录存储至情景记忆中,进而利用情景记忆来加速量子智能体的训练过程,可以有效降低量子智能体训练的迭代次数,提升了在解决典型强化学习问题时量子智能体的表现,减少了量子深度强化学习算法的运行时间。该方案有效降低了量子深度强化学习的应用难度,提升了量子机器学习在处理实际问题中的效用。

目录

    /

    返回文章
    返回