魔法启发的量子架构搜索
非稳定化（通常称为“魔力”）是支撑量子优势的基础资源。本文提出了一种魔力感知的量子架构搜索（QAS）技术，能够在电路设计的通用框架内实现对量子资源的可控调节。受AlphaGo方法启发，该研究采用配备图神经网络（GNN）的蒙特卡洛树搜索技术来估算候选量子电路的魔力值。该GNN模型会引入基于魔力值的搜索偏向，根据目标需求引导搜索走向高魔力或低魔力区间。研究人员在结构化基态能量问题与更通用的量子态逼近问题上对该魔力感知QAS技术进行了基准测试，涵盖不同规模与目标魔力水平。实验结果表明：即使在GNN处理分布外实例的场景中，该技术仍能有效影响搜索树各节点的魔力值，并显著作用于最终生成的电路。尽管引入问题无关的魔力偏向理论上可能限制搜索动态，但在所有测试问题中均观察到解质量的持续提升。
