基于课程强化学习的量子张量网络架构搜索：QAS-QTNs
量子物理
2025-12-05 v1
摘要
量子架构搜索(QAS)是旨在自动化设计量子电路以实现最佳性能的新兴领域。本文引入一种新型QAS框架，采用混合量子强化学习结合量子课程学习策略，使学习代理能够逐步应对日益复杂的量子电路设计任务。我们将四种最先进的经典强化学习算法(A2C、PPO、DDQN、TD3)与其量子增强版对应物(QA2C、QPPO、QDDQN、QTD3)进行基准测试，以优化变分量子电路(VQCs)。我们的ethods progressively increases circuit depth and gate complexity during training, leveraging parameterized quantum circuits as function approximations. 为提高学习效率和稳定性，所有算法(经典和量子均)均增强了优先经验回放(PER)。实验结果表明，量子增强型强化学习显著优于经典方法。在2量子位环境中，PERQDDQN实现成功概率0.46，约3000次最优成功，超越经典PERDDQN(0.42，约2400次)。在更复杂的3量子位设置中，PERQDDQN和PERQTD3分别达到约0.47的成功概率，最优成功次数分别为约3800和约3600，均优于其经典对手。此外，我们将QAS-QTN方法应用于分类问题，其中优化后的量子电路实现了90.33%的准确率，超越由随机初始化的变分电路构成的量子模型。这种混合经典-量子方法实现了更快的收敛和更高效的量子电路设计，展示了其在推动自动化量子架构搜索方面的潜力。
引用
@article{arxiv.2507.12013,
title = {QAS-QTNs: Curriculum Reinforcement Learning-Driven Quantum Architecture Search for Quantum Tensor Networks},
author = {Siddhant Dutta and Nouhaila Innan and Sadok Ben Yahia and Muhammad Shafique},
journal= {arXiv preprint arXiv:2507.12013},
year = {2025}
}
备注
9 pages, 3 figures. Accepted at QCE 2025