基于分子势能曲线的量子电路架构强化学习
量子物理
2025-11-21 v1
摘要
量子化学和优化是量子计算机最突出的应用领域。已提出变分量子算法用于解决这些领域中的问题。然而，量子电路 ansatz 的设计仍是一个挑战。特别值得关注的是 developing a method to generate circuits for any given instance of a problem, not merely a circuit tailored to a specific instance of the problem. 为此，我们提出了一种强化学习 (RL) 方法，用于学习问题依赖的量子电路映射，该方法输出给定参数化哈密顿量族中基态的电路。对于量子化学，我们的 RL 框架以分子和离散的键距离集合为输入，输出沿势能曲线任意键距离的键距离相关量子电路。我们方法内在的非贪心方法与现有的贪心方法相区别，后者用于自适应、问题定制的电路构建。我们在四比特和六比特锂氢分子以及一个八比特 H 链上 demonstrating its effectiveness。我们的学习电路以物理上有意义的方式可解释，从而为将 RL 应用于大规模分子系统基态的 novel quantum circuits development 铺路。
引用
@article{arxiv.2511.16559,
title = {Reinforcement learning of quantum circuit architectures for molecular potential energy curves},
author = {Maureen Krumtünger and Alissa Wilms and Paul K. Faehrmann and Jens Eisert and Jakob Kottmann and Paolo Andrea Erdman and Sumeet Khatri},
journal= {arXiv preprint arXiv:2511.16559},
year = {2025}
}
备注
16+14 pages, 21 figures. Comments welcome!