CutQAS: 通过强化学习实现面向量子电路切割的拓扑感知

在量子处理器上模拟分子系统有望超越经典方法在计算资源效率方面的表现。然而，近期量子硬件的量子比特连通性受限、规模较小以及保真时间较短，限制了QPE和VQE等量子算法的适用性。量子电路切割通过将大型电路划分为更小的子电路，使其能在资源受限的设备上执行。然而，寻找最优电路划分仍是挑战，这既影响计算效率又影响准确性。为此，本文提出了CutQAS框架，将量子电路切割与量子体系结构搜索（QAS）集成，增强量子化学模拟的效果。该框架采用多步骤强化学习（RL）代理优化电路配置。首先，RL代理遍历所有可能的拓扑结构以识别最优电路结构。随后，第二个RL代理在所选拓扑结构基础上确定最优切割位置，确保在受限硬件上的高效执行。通过数值仿真，我们展示了该方法在提高模拟准确性和资源效率方面的有效性。该方法为量子化学应用提供了可扩展解决方案，为近期量子计算中的硬件约束提供了系统性突破路径。