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

提出了 QuantumNAS，这是一个噪声自适应联合搜索变分电路和量子比特映射的全面框架，使用多层预定义参数化门构建 SuperCircuit，并通过迭代参数子集的采样和更新进行训练，最终通过演化联合搜索刻画了 SubCircuit 的性能和其量子比特映射，最后通过迭代门修剪和微调去除冗余门，相较于基线方案，在 12 个用例上显著提高了性能，并达到了 QML 的精度水平。

Jul, 2021

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

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

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

我们介绍并实验测试了一种基于实际硬件的训练程序得出的预期性能估计来排名逻辑上等效的量子电路的机器学习方法。我们将该方法应用于布局选择问题，在给定设备上将抽象的量子比特分配给物理比特。在 IBM 硬件上进行的电路测量表明，逻辑上等效的布局的最大和中位保真度可以相差一个量级。我们引入了一个用于排名的电路得分，该得分以基于物理的现象学误差模型进行参数化，其参数通过使用测量数据集上的排名损失函数进行拟合。数据集包括在 IBM 硬件上执行的具有多样结构的量子电路，使得该模型能够将实际设备噪声和误差的上下文特征纳入其中，而无需执行指数成本的重建协议。我们在 16 比特 ibmq_guadalupe 设备上进行模型训练和执行，并将我们的方法与两种常见方法进行比较：随机布局选择和名为 Mapomatic 的公开基准。我们的模型始终优于这两种方法，预测的布局噪声更低，性能更高。特别地，相对于基线方法，我们的最佳模型使选择错误减少了 1.8 倍，而相对于随机选择则减少了 3.2 倍。除了提供一种新的预测性量子表征、验证和验证方法外，我们的结果还揭示了背离简单代理测量所推断性能估计的依赖上下文和相干门错误的特定方式。

Apr, 2024

通过量子架构搜索来最大程度地提高 VQAs 的鲁棒性和可培训性，以在嘈杂的中间规模量子设备上实现数据分类和量子化学任务的优化。

Oct, 2020

本研究提出了一种基于量子电路学习的算法，可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征，并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格（Greenberger-Horne-Zeilinger）状态的最佳制备方法，也可以有效地制备连续热态的近似表示，其波函数在其幅度中编码玻尔兹曼概率。最后，研究提供了一种新的硬件无关指标，称为 qBAS 得分，可用于衡量近期量子设备的性能。

Jan, 2018

使用 TorchQuantum Python 库中的图形变换模型，利用机器学习方法预测噪声对电路保真度的影响，可以在估计精度和速度方面胜过传统的电路模拟器。

Oct, 2022

基于 QTensor 库的 AI 量子架构搜索包 QArchSearch 能够高效扩展到大型量子电路，并在不同的量子应用中探索更复杂的模型。通过在 CPU 和 GPU 上采用两级并行化方案，在 Polaris 超级计算机上实现了大规模和高效的搜索。

Oct, 2023