用于变分量子电路设计的强化学习

变分量子算法已成为在量子计算机上求解优化问题的有前景工具。这些算法利用一种称为 ansatz 的参数化量子电路，其参数由经典优化器调整，目标是优化特定的代价函数。然而，设计用于解决特定问题的有效电路仍是一个重大挑战。在本研究中，我们利用强大且灵活的强化学习范式来训练一个智能体，使其能够自主生成可用作变分算法中 ansatz 的量子电路以求解优化问题。该智能体在 diverse 问题实例上进行训练，包括由不同图拓扑和规模构建的最大割、最大团和最小顶点覆盖问题。我们对智能体生成的电路及相应的解的分析表明，所提出的方法能够生成有效的 ansatz。虽然我们的目标不是提出任何新的特定 ansatz，但我们观察到智能体如何发现了一类对最大割问题有效的新颖 ansatz 家族，我们将其称为 $R_{yz}$-connected。我们通过在不同图拓扑、规模和问题类型的实例上与最先进的量子算法进行比较，研究了其中一个 ansatz 的特性。结果表明，$R_{yz}$-connected 电路对最大割问题实现了高近似比，进一步验证了我们提出的智能体。总之，我们的研究突出了强化学习技术在辅助研究人员设计有效量子电路方面的潜力，这些电路可能在众多任务中得到应用。