量子科技中心_量科网

量子化学与优化问题是量子计算机最具代表性的两大应用领域。针对这些领域的问题求解，研究人员已提出多种变分量子算法。然而，量子电路ansatz的设计仍面临挑战，其中尤为关键的是开发能针对问题任意实例生成通用电路的方法，而非仅适用于特定问题实例的定制电路。为此，该研究团队提出了一种强化学习（RL）方法，用于学习与问题相关的量子电路映射——该方法能从给定参数化哈密顿量族中，输出对应基态的量子电路。在量子化学应用中，该RL框架以分子结构和离散键距集合作为输入，可沿势能曲线输出适用于任意键距的键距相关量子电路。这种RL方法本质上具有非贪婪特性，与现有针对特定问题自适应构建电路的贪婪方法形成鲜明对比。研究团队通过4比特和6比特的氢化锂分子体系，以及8比特的H4链体系验证了该方法的有效性。所获得的量子电路具有明确的物理可解释性，这为应用强化学习开发大规模分子体系基态的新型量子电路开辟了新途径。