量子科技中心_量科网

该研究团队推出BenchRL-QAS框架，这是首个用于系统评估量子架构搜索（QAS）中强化学习算法的统一基准测试平台，覆盖2至8量子比特规模的各类变分量子算法任务。研究对九种强化学习智能体（包括基于价值和策略梯度的方法）在典型量子问题中进行测试，涉及变分量子本征求解器、量子态对角化、量子分类及态制备等场景，同时考察无噪声和真实噪声环境。研究人员提出加权排名指标，综合平衡精度、电路深度、门操作数和计算效率，实现公平全面的比较。 实证结果表明：基于强化学习的量子分类器性能优于传统变分分类器；但就整体QAS任务而言，不存在普遍最优的强化学习算法——算法表现高度依赖任务结构、量子比特数和噪声环境等具体情境。这一发现为量子电路设计领域“没有免费午餐”定理提供了强有力证据，凸显定制化算法选择和系统化基准测试对推进量子电路合成的重要性。该工作构建了迄今最全面的RL-QAS基准体系，相关框架及实验数据已在https://github.com/azhar-ikhtiarudin/bench-rlqas开源以支持研究复现。