量子架构搜索的混合动作强化学习
设计兼具表达力与可训练性的量子电路架构仍是变分量子算法面临的主要挑战，当前手动或启发式设计常导致次优性能。该研究团队提出HyRLQAS（混合动作强化学习的量子架构搜索框架），该统一框架在混合动作空间内耦合了离散门布局与连续参数生成。与现有方法将结构和参数优化割裂处理不同，HyRLQAS通过强化学习过程联合学习电路拓扑和初始化参数，同时动态优化已布局的量子门。通过在变分量子本征求解器（VQE）环境中训练，智能体构建的电路能最小化分子基态能量。实验表明，相较于纯离散和纯连续基线方法，HyRLQAS始终实现更低的能量误差和更短的电路深度。此外，混合动作空间不仅能产生更优电路结构，还提供了有利的参数初始化方案，使得后优化能量分布始终具有更低极小值。这些结果表明，混合动作强化学习为自动化、硬件高效的量子电路设计提供了理论实现路径。
