Élivágar：高效的量子电路搜索分类
内容提要
该文综述量子架构搜索（QAS）研究进展，涵盖QuantumNAS等框架，联合搜索变分电路与量子比特映射，通过SuperCircuit训练、演化搜索及门修剪提升性能；并讨论梯度QAS用于深度强化学习、提升VQA鲁棒性与可训练性、硬件感知电路学习与qBAS指标、TorchQuantum噪声预测、QArchSearch大规模并行搜索、多目标遗传算法生成量子启发分类器，以及机器学习降噪框架与强化学习自动设计变分模型。
延伸解读
从联合搜索到硬件感知：QAS 的演进脉络
文章梳理的多个工作显示，量子架构搜索正从单一电路设计转向联合优化。QuantumNAS 同时搜索变分电路和量子比特映射，并配合门修剪；后续研究则引入硬件感知指标 qBAS、噪声预测和并行搜索框架。这种演进表明，提升 NISQ 设备性能的关键不仅在于电路结构，还在于电路与硬件特性的匹配程度。
梯度方法与强化学习的分工
文中提到基于梯度的 QAS 被用于深度强化学习任务，并处理误差缓解、贫瘠高原和权重周期性等问题；另一项工作则用强化学习自动设计变分预测模型，以最小化电路深度并提升精度。两者路径不同：梯度方法侧重可训练性，强化学习侧重自主探索结构，读者可据此判断不同场景下的方法选择。
评估指标与工具链的实用价值
文章介绍了 qBAS 得分、TorchQuantum 噪声预测和 QArchSearch 并行搜索等工具与指标。qBAS 提供硬件无关的性能衡量，TorchQuantum 用图变换模型加速保真度估计，QArchSearch 则通过两级并行化扩展到大型电路。这些内容对实际部署 QAS 有参考意义，但文章未给出具体精度或速度数据，需结合原始论文核实。
Q&A
QuantumNAS 是如何实现变分电路和量子比特映射的联合搜索的？
QuantumNAS 使用多层预定义参数化门构建 SuperCircuit，通过迭代采样和更新参数子集进行训练，然后通过演化联合搜索来刻画 SubCircuit 的性能及其量子比特映射，最后通过迭代门修剪和微调去除冗余门。
基于梯度的量子架构搜索在深度强化学习中有什么作用？
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、电路灵活性、设计成本、贫瘠高原问题以及权重周期性等问题，展示了其在解决量子深度强化学习任务中的能力。
如何通过量子架构搜索提高变分量子算法的鲁棒性和可训练性？
通过量子架构搜索来最大程度地提高 VQAs 的鲁棒性和可训练性，以在嘈杂的中等规模量子设备上实现数据分类和量子化学任务的优化。
qBAS 得分是什么？它有什么用途？
qBAS 得分是一种硬件无关的指标，用于衡量近期量子设备的性能，由基于量子电路学习的算法提出，该算法利用本地门和量子位连接等硬件能力协助量子设备表征。
TorchQuantum 如何预测噪声对电路保真度的影响？
TorchQuantum 利用图形变换模型和机器学习方法预测噪声对电路保真度的影响，在估计精度和速度方面胜过传统的电路模拟器。
QArchSearch 如何实现大规模高效的量子架构搜索？
QArchSearch 基于 QTensor 库，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，能够扩展到大型量子电路并探索更复杂的模型。
多目标遗传算法如何用于生成量子启发式分类器？
通过使用多目标遗传算法，自动生成和训练基于量子启发式分类器来处理灰度图像，定义动态适应性函数确保技术的通用性和鲁棒性，在视觉数据集上获得最小电路和最高精度。
基于强化学习的变分预测模型设计在锂氢分子基准上取得了什么成果？
该算法能够自主探索合适的变分预测模型，同时最小化电路深度并增加结果精度，在锂氢分子基准问题上取得了化学精度和最先进的电路深度优化结果。
