基于多智能体强化学习的分布式量子架构搜索
量子架构搜索（QAS）实现了对变分量子算法中参数化量子电路的自动化设计。该框架能发现与特定问题高度匹配的变分拟设结构。在各类QAS实现方案中，强化学习（RL）因其突出优势被视为最具前景的技术路径。现有RL方法基于单智能体架构，随着量子比特数增加导致动作空间维度和计算成本上升，其扩展性表现欠佳。该研究团队提出了一种创新的多智能体RL算法，每个智能体独立作用于量子电路的特定模块。该方法显著加速了基于RL的QAS收敛速度并降低计算成本。研究人员在3-正则图的MaxCut问题及Schwinger哈密顿量基态能量估计任务上对所提算法进行了基准测试。值得注意的是，这种多智能体方案天然契合分布式量子计算架构，有利于在现代中等规模量子设备上实现。
