通过带 Gadget 的强化学习扩展量子电路的自动发现

强化学习（RL）已确立其作为设计量子电路的有力工具的地位，而量子电路对于处理量子信息至关重要。RL 的应用通常集中于小到中等复杂度的电路，因为计算时间往往随着电路复杂度的增加而呈指数增长。这种计算爆炸严重限制了 RL 的可扩展性，并对其更广泛的适用性产生了重大怀疑。在本文中，我们提出了一种基于复合门（即 {\it gadgets}）的系统性发现与引入的原理性方法，该方法实现了 RL 的可扩展性，从而扩展了其潜在应用。作为案例研究，我们探索了用于量子纠错的 Clifford 编码器的发现。我们证明，除了标准的 CNOT 门和 Hadamard 门之外，引入复合 Clifford 门形式的 gadget，显著提高了 RL 智能体的效率。具体而言，计算速度得到了提升（提升了一到两个数量级），使得 RL 能够在无需先验知识的情况下发现高度复杂的量子码。我们以参数为 $[[n,1,d]]$（其中 $d \leq 7$）和 $[[n,k,6]]$（其中 $k \leq 7$）的 QEC 码发现实例说明了这一进展。我们指出，这些类别中最复杂的电路此前并未被发现。我们强调了基于 gadget 方法的优势与局限性。我们的方法为扩展基于 RL 的复杂量子电路自动发现铺平了道路，这些电路可用于各种任务，可能包括设计逻辑量子比特之间的逻辑操作或发现量子算法。