利用学习到的构件强化学习解决真实硬件上的困难量子问题

量子计算为模拟复杂量子系统和优化大规模组合问题提供了令人兴奋的机会，但其实际应用受到设备噪声和有限连接性的限制。因此，设计作为量子算法基础的量子电路是当前量子硬件面临的核心挑战。现有的基于强化学习的电路设计方法在限制于硬件原生门和器件级编译时会损失精度。在此，我们引入了构件强化学习（GRL），它将学习与程序合成相结合，自动构建复合门，在尊重硬件约束的同时扩展动作空间。我们证明，这种方法提高了横场伊辛模型和量子化学问题的精度、硬件兼容性和可扩展性，在现实的计算预算内达到了多达十个量子比特的系统。该框架展示了学习到的、可复用的电路构建模块如何指导量子处理器的算法与硬件协同设计。