面向生成最优量子传感器电路的混合经典-量子智能体

本研究提出了一种 HCQA 用于设计最优量子传感器电路（Quantum Sensor Circuits, QSCs），以解决复杂量子物理问题。HCQA 集成了计算智能技术，利用深度 Q 网络（Deep Q-Network, DQN）进行学习和策略优化，同时增强了基于 Q 值量子动作选择机制。量子电路对 agent 当前状态进行编码使用 Ry 门，然后创建可能动作的叠加。对电路进行测量会产生概率性的动作结果，使 agent 能够通过选择最大化量子 Fisher 信息（Quantum Fisher Information, QFI）同时最小化门数目的动作序列来生成最优 QSC。这种以计算智能驱动的 HCQA 使能够自动生成具有高 QFI灵敏度的纠缠量子态，具体为 squeeze 态（squeezed states），用于量子态估计和控制。对 HCQA 在由两量子比特和 Rx、Ry、S 门序列组成的 QSC 上的评估表明，其在生成具有 QFI 为 1 的最优 QSC 方面具有效率。本 work 突显了 AI 驱动的学习与量子计算之间的协同作用，说明了智能体如何自主发现用于增强感知和估计任务的最优量子电路设计。