分离 ansatz 发现与部署于更大问题: 用于模块化电路设计的强化学习
量子物理
2026-03-03 v2 机器学习
摘要
随着量子计算的不断关注，越来越多关注如何在实践中运用经典机器学习辅助量子工作流程。自动化电路设计，亦称量子体系结构搜索（QAS），是一种自然的应用，但其依赖于能够建模量子系统以支持随量子位数增长的学习。这一挑战是QAS的核心，而当前文献大多聚焦于小规模系统（通常约10个量子比特）的新型建模方法。在本工作中，我们提出了一种互补方法，即分离一个小规模结构发现阶段，在该阶段可在小规模实例上学习可复用的模块化电路块，从而在部署阶段使用这些模块创建满足更大问题需求的 ansatz。为此，我们引入了变分量子电路的强化学习（RLVQC），将QAS表述为序列决策问题。我们在来源于最大割、最大团和最小顶点覆盖的二次无约束二进制优化（QUBO）实例上评估了我们的 methodology。我们的RLVQC模块化模型在n=8实例上发现的模块化两个量子比特块能够概括QAOA等方法，且常常优于学习非模块化 ansatz。n=8实例上发现的块在部署到更大实例（n=12和n=16）时仍然有效，支持了在问题规模扩大时复用所学模块化结构的可行性。虽然我们不旨在建立新的求解器最佳解或超越经典方法，但我们的结果表明，可在较小规模实例上学习模块化 ansatz结构，然后无需在大量量子比特（此时量子计算变得有趣但经典计算变得不切实际）的系统上进行学习，即可扩展到更大规模。
引用
@article{arxiv.2507.16001,
title = {Separating Ansatz Discovery from Deployment on Larger Problems: Reinforcement Learning for Modular Circuit Design},
author = {Gloria Turati and Simone Foderà and Riccardo Nembrini and Maurizio Ferrari Dacrema and Paolo Cremonesi},
journal= {arXiv preprint arXiv:2507.16001},
year = {2026}
}