量子科技中心_量科网

变分量子算法有望在噪声中等规模量子硬件上解决有意义的量子问题，但其面临设计量子电路的挑战，这些电路既要解决目标问题，又要符合设备限制。量子架构搜索（QAS）自动化了这一设计过程，而强化学习（RL）作为一种有前景的方法崭露头角。然而，基于RL的QAS方法在可扩展性方面存在显著问题，因为计算和训练成本随着量子比特数量、电路深度和噪声的增加而迅速增长，严重影响了性能。为了解决这些挑战，研究团队提出了TensorRL-QAS，这是一个将张量网络（TN）方法与RL相结合的可扩展框架，用于设计量子电路。通过使用目标解的矩阵乘积态近似来“热启动”架构搜索，TensorRL-QAS有效地将搜索空间缩小到物理上有意义的电路，从而加速收敛到目标解。在多达12量子比特的多个量子化学问题上进行测试后，TensorRL-QAS在CNOT门数量和电路深度方面相比基线方法实现了高达10倍的减少，同时保持或超越了化学精度。它将函数评估次数减少了高达100倍，训练周期加速了高达98%，并在10量子比特系统中实现了高达50%的成功概率——远超基线方法不到1%的成功率。在无噪声和有噪声场景下，该工作均展示了其鲁棒性和多功能性，并报告了多达8量子比特的模拟结果。这些进展使TensorRL-QAS成为在近期量子硬件上实现可扩展且高效量子电路发现协议的有力候选者。