使用强化学习自动化搜索最佳结构以提高变分量子算法在噪声干扰下的性能。

Feb, 2024

该研究以引入一种基于课程的强化学习量子架构搜索算法（CRLQAS）为主要方法，旨在解决在真实的 VQA 部署中所面临的挑战。该算法通过使用三维架构编码和环境动力学的限制来高效地探索可能电路的搜索空间，引入一种剧集终止方案以寻找更短的电路，并应用一种新颖的同时扰动随机逼近作为更快收敛的优化器，从而在噪声和非噪声环境中提高了在多个度量标准下的性能。

Feb, 2024

在本文中，我们提出了一种新颖的量子位架构搜索（QWAS）方法，通过将搜索空间划分为好的和坏的子区域，逐步搜索每个阶段的单量子位配置，并结合蒙特卡洛树搜索算法，在某些真实任务（如 MNIST，Fashion 和 MOSI）中平衡电路性能和大小的探索和开发，达到了准确率和电路大小方面的最新结果。

Mar, 2024

This paper explores quantum architecture search for parameterized quantum circuits in the context of Variational Quantum Algorithms and demonstrates that using a neural predictor as the evaluation policy can improve results while using fewer circuit evaluations.

Mar, 2021

本文提出了一种不同 iable 的量子体系结构搜索框架，可自动化设计量子电路，并演示了该框架的优越性和潜力。

Oct, 2020

量子计算在近年来取得了显著进展，不仅吸引了研究实验室的极大兴趣，也在各个行业引起了广泛关注。这篇论文提供了量子架构搜索 (QAS) 的概览，通过检验相关的研究成果，讨论在设计和执行自动搜索最佳参数化量子电路时面临的主要挑战，以及解决这些挑战的方法，以便促进未来的研究。

Jun, 2024

本研究提出改进量子近似优化算法（QAOA）的方法，包括使用 Gibbs 目标函数来调节电路的变分参数，以及使用 Ansatz Architecture Search 算法，在 QAOA 附近的离散量子电路结构空间中寻找更好的 Ansatz, 取得了较大的实验效果提升，同时为量子优化算法的电路设计开辟了新的研究领域。

Sep, 2019

近年来，变分量子算法（VQAs）作为在 NISQ 时代解决量子计算机上的优化问题的一种有前途的方法已经出现。然而，VQAs 的一个限制是它们对于特定问题或硬件配置可能不适合的固定结构电路。应对这个问题的一种主要策略是自适应 VQAs，通过添加和移除门来动态修改电路结构，并在训练过程中优化其参数。本文通过分析三种自适应 VQAs（进化变分量子特征求解器（EVQE），可变组态（VAns）和随机自适应 VQE（RA-VQE））来填补这一领域现有方法之间缺乏系统比较的空白。为了将这些算法与传统的 VQA 进行比较，我们还在分析中包括了量子近似优化算法（QAOA）。我们将这些算法应用于 QUBO 问题，并通过检查找到的解的质量和所需的计算时间来研究它们的性能。此外，我们还调查了超参数选择如何影响算法的整体性能，强调了选择适当的超参数调整方法的重要性。我们的分析为面向近期量子设备设计的自适应 VQAs 设定了基准，并为指导未来的研究提供了宝贵的见解。

Aug, 2023

基于梯度的量子架构搜索在 NISQ 时代提供了自动设计量子电路的框架，通过解决误差缓解、量子电路的灵活性、电路设计成本、BP 问题以及权重周期性等问题，该研究展示了梯度量子架构搜索在解决量子深度强化学习任务中的能力。

Sep, 2023

该文综述了 VQAs 领域，讨论了克服困难的策略，并突出了使用 VQAs 获得量子优势的激动人心前景。

Dec, 2020