量子架构搜索：综述
内容提要
本文介绍了一种量子架构搜索框架，旨在自动设计量子电路，以提升变分量子算法的鲁棒性和可培训性。研究提出了一种结合强化学习和蒙特卡洛树搜索的新颖量子位架构搜索方法，优化电路性能与大小。该框架通过无监督学习和高效搜索，在有限次数内找到优质候选电路，展示了在量子计算领域的潜力与前景。
延伸解读
量子架构搜索的演进脉络
文章梳理了量子架构搜索（QAS）从2020年至2024年的发展轨迹。早期工作聚焦于利用神经预测器提升变分量子算法（VQA）的鲁棒性，随后出现结合蒙特卡洛树搜索的量子位架构搜索（QWAS），以及基于课程的强化学习算法（CRLQAS）。这些方法逐步解决了电路设计成本、贫瘠高原（BP）等问题，并拓展到量子深度强化学习任务。
强化学习与搜索策略的融合
多项研究将强化学习与搜索算法结合以优化量子电路。例如，QWAS将搜索空间划分为好坏子区域，结合蒙特卡洛树搜索平衡性能与大小；CRLQAS引入三维架构编码和剧集终止方案，以寻找更短电路并加速收敛。这些策略在噪声和非噪声环境中均提升了多个度量标准下的性能。
无监督学习与高效搜索
2024年的一项研究提出无监督表示学习的QAS框架，能够促进类似连接和操作的量子电路架构形成聚类。该框架无需大量标记的量子电路，即可在有限搜索次数内获得性能良好的候选电路，显著降低了标注成本，为QAS的实际部署提供了高效途径。
工具与规模化实践
基于QTensor库的AI量子架构搜索包QArchSearch，通过CPU和GPU两级并行化方案，在Polaris超级计算机上实现了大规模高效搜索。该工具能够扩展到大型量子电路，并在不同量子应用中探索更复杂的模型，为QAS的工程化落地提供了重要支撑。
Q&A
量子架构搜索框架的主要目标是什么？
量子架构搜索框架的主要目标是自动设计量子电路，以提升变分量子算法的鲁棒性和可培训性。
该框架是如何优化电路性能与大小的？
该框架通过结合强化学习和蒙特卡洛树搜索的方法，逐步搜索电路配置，从而优化电路性能与大小。
无监督学习在量子架构搜索中有什么作用？
无监督学习的QAS框架能够在有限搜索次数内找到优质候选电路，而无需大量标记的量子电路。
量子位架构搜索方法的创新之处是什么？
量子位架构搜索方法通过将搜索空间划分为好的和坏的子区域，结合蒙特卡洛树搜索，创新性地平衡电路性能和大小。
基于课程的强化学习量子架构搜索算法的目的是什么？
该算法旨在解决真实变分量子算法部署中的挑战，通过高效探索可能电路的搜索空间。
量子架构搜索在量子计算领域的前景如何？
量子架构搜索展示了在量子计算领域的潜力与前景，尤其是在提升变分量子算法性能方面。
