BenchRL-QAS：面向量子架构搜索的强化学习算法基准测试
量子物理
2025-09-30 v2 人工智能
机器学习
性能
摘要
我们提出 BenchRL-QAS，一个统一的基准框架，用于评估在 2-至 8 比特系统上针对变分量子算法任务的强化学习（RL）算法。我们的研究系统评估了 9 种不同的 RL 代理，包括基于价值的和基于策略梯度的方法，针对变分本征求解器、量子态对角化、变分量子分类（VQC）和态准备等量子问题进行测试，包含无噪声和噪声执行两种情形。为确保公平比较，我们提出一种加权排名指标，集成了准确性、电路深度、门数和训练时间。结果表明，没有单一的 RL 方法在所有情形下均可统治，其性能取决于任务类型、比特数及噪声条件，这为 RL-QAS 中的没有免费午餐原则提供了有力证据。作为副产品，我们观察到在 RL 基于 VQC 中选取恰当的 RL 算法可优于基线 VQC。BenchRL-QAS 建立了截至目前最完整的 RL 基于 QAS 基准测试，代码与实验结果已公开以便可重复性及未来进展。
引用
@article{arxiv.2507.12189,
title = {BenchRL-QAS: Benchmarking reinforcement learning algorithms for quantum architecture search},
author = {Azhar Ikhtiarudin and Aditi Das and Param Thakkar and Akash Kundu},
journal= {arXiv preprint arXiv:2507.12189},
year = {2025}
}
备注
In AAAI Symposium series. Contributions are welcomed here: https://github.com/azhar-ikhtiarudin/bench-rlqas