SQARL：面向分布式量子架构的规模无关强化学习方法用于电路分配
机器学习
2026-05-27 v1
摘要
量子处理器的规模受到技术限制，如退相干和串扰。随着量子比特数量增加，干扰也随之上升。分布式量子计算通过 interconnect 较小、更易于管理的量子处理器（core）来缓解这些限制，但引入了最小化缓慢、易出错的 core 间通信的挑战。将量子电路在 core 之间分配以最小化通信成本的任务，被称为量子位分配问题（Qubit Allocation problem）。本文聚焦于开发一种深度学习方法以解决该问题，强调对量子硬件拓扑的灵活性以及提升当前方法的性能。启发式方法和非学习算法，如匈牙利量子位分配（Hungarian Qubit Allocation, HQA），目前代表了最佳成绩。强化学习（RL）方法利用学习到的分配策略，但往往缺乏灵活性，需要在硬件配置变更时重新训练，且未达到非学习方法的解质量。然而，学习机制有望超越人类设计的启发式方法。为克服这些限制，本文提出一种灵活的基于 transformer 的架构，可处理任意数量的量子比特和 core，而无需重新训练。结果表明，训练得到的策略持续超过前一 RL 最佳成绩，缩小了 RL 与 HQA 的差距。对于最常见的电路，其将 HQA 的分配成本降低 33%（Cuccaro Adder）以及随机电路平均降低 25%。这些发现表明，基于学习的方法能够有效匹配手工启发式方法的性能，这是其在实际场景中应用的关键一步。
引用
@article{arxiv.2605.27027,
title = {SQARL: A Size-Agnostic Reinforcement Learning approach for Circuit Allocation in Distributed Quantum Architectures},
author = {Víctor Carballo and Júlia López-Closa and Mario Martin},
journal= {arXiv preprint arXiv:2605.27027},
year = {2026}
}