2025_NIPS_TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architec...

文章主要内容总结

该文提出TensorRL-QAS框架，将张量网络（TN）与强化学习（RL）结合用于量子架构搜索（QAS），解决传统RL-based QAS的可扩展性问题。核心流程为：用DMRG获取目标基态的矩阵乘积态（MPS）近似、通过黎曼优化将MPS映射为量子电路、基于RL-QAS进一步优化电路。在6-12量子比特的量子化学问题中，该框架在保持化学精度的同时，将CNOT数量和电路深度减少10倍，经典优化器函数评估减少100倍，训练速度提升98%，且在含噪场景和20量子比特系统中表现稳健，为近term量子硬件提供高效量子电路设计方案。

创新点

1. 提出TN与RL融合的QAS框架，通过MPS暖启动缩小搜索空间，解决RL-QAS的动作空间爆炸和模拟成本过高问题。
2. 设计两种TN初始化方案（可训练型/固定型），平衡电路表达性与训练效率，固定型方案大幅降低计算开销。
3. 采用斯蒂费尔流形上的黎曼优化实现MPS到量子电路的高效映射，适配硬件原生门集，减少编译开销。
4. 在含噪场景下验证鲁棒性，实现8量子比特含噪模拟，突破传统RL-QAS的量子比特数量限制。

Abstract 翻译

变分量子算法有望在含噪声中等规模量子硬件上解决有实际意义的量子问题。尽管前景广阔，这类算法仍面临设计挑战：量子电路需同时解决目标问题并符合硬件限制。量子架构搜索（QAS）实现了量子电路设计的自动化，其中强化学习（RL）已成为极具潜力的方法。然而，基于强化学习的量子架构搜索方法存在显著的可扩展性问题——随着量子比特数量