基于深度强化学习的量子电路自动化设计：针对虚时间演化方法
量子物理
2026-04-10 v1 人工智能
机器学习
摘要
高效寻找基态是推进组合优化问题和量子化学的关键。虽然变分虚时间演化（VITE）方法为变分量子本征值求解器（VQE）和量子近似优化算法（QAOA）提供了有用的替代方案，但其在噪声中间规模量子（NISQ）设备上的实现严重受限于手动设计 ansatz 的门数和深度。本文提出一种基于双深度 Q 网络（DDQN）的 VITE 电路自动化设计框架。我们的 метод 将电路构建视为多目标优化问题，同时最小化能量预期值并优化电路复杂度。通过引入采纳阈值，我们展示了显著的硬件开销降低。在 Max-Cut 问题中，我们的智能体自动发现的电路平均比标准硬件高效 ansatz 少约 37% 的门数和 43% 的深度。在分子氢（）上，DDQN 也达到了 Full-CI 极限，同时保持显著更浅的电路深度。这些结果表明，深度强化学习有助于寻找非直观的最优电路结构，为高效、硬件感知的量子算法设计提供了一条路径。
引用
@article{arxiv.2604.07951,
title = {Investigation of Automated Design of Quantum Circuits for Imaginary Time Evolution Methods Using Deep Reinforcement Learning},
author = {Ryo Suzuki and Shohei Watabe},
journal= {arXiv preprint arXiv:2604.07951},
year = {2026}
}
备注
11 pages, 11 figures