用于解决量子机器学习任务的量子架构搜索

量子计算利用量子力学原理解决计算问题,其方法与经典计算存在根本性差异。虽然当前量子硬件仍存在易错性和规模限制,但变分量子电路提供了一种适应现有设备的抗噪声框架。这类电路的性能高度依赖于其参数化量子组件的底层架构。因此,寻找高效且与硬件兼容的量子电路架构——即量子架构搜索(QAS)——显得至关重要。人工QAS过程复杂且容易出错,这推动了对自动化方法的探索。在各类自动化策略中,强化学习(RL)的研究仍显不足,尤其在量子机器学习领域。该工作提出RL-QAS框架,通过强化学习发现适用于分类任务的电路架构。研究团队使用鸢尾花数据集和二分类MNIST数据集进行评估,智能体自主发现了具有高测试准确率的低复杂度电路设计。实验结果表明,强化学习在量子机器学习自动架构搜索中具有可行性,但将该方法应用于更复杂任务时,仍需进一步优化搜索策略和性能评估机制。

量科快讯