量子科技中心_量科网

量子架构搜索（QAS）是一个新兴领域，旨在通过自动化设计实现量子电路的最优性能。该工作提出了一种融合量子强化学习与量子课程学习策略的新型QAS框架，使智能体能够逐步应对日益复杂的量子电路设计任务。研究人员在优化变分量子电路（VQC）任务中，对四种经典强化学习算法（A2C、PPO、DDQN、TD3）及其量子增强版本（QA2C、QPPO、QDDQN、QTD3）进行了基准测试。该方法在训练过程中逐步增加电路深度与门复杂度，并采用参数化量子电路作为函数近似器。为提高学习效率和稳定性，所有算法（包括经典与量子版本）均结合了优先经验回放（PER）技术。 实验结果表明：在2量子比特环境中，量子增强强化学习的PERQDDQN方案以46%的成功概率（约3000次最优成功）显著优于经典PERDDQN（42%，约2400次）。在更复杂的3量子比特场景中，PERQDDQN与PERQTD3分别达到约47%的成功概率，最优成功次数分别达到约3800次和3600次，均超越对应经典算法。此外，该团队将QAS-QTN方法应用于分类问题，优化后的量子电路实现了90.33%的准确率，优于随机拟设构成的量子模型。这种经典-量子混合方法能实现更快收敛与更高效的量子电路设计，展现了推动自动化量子架构搜索发展的潜力。