摘要 - 量子计算的快速进步(QC)和机器学习(ML)引起了量子机器学习(QML)的新兴领域,旨在利用量子计算的优势来推动ML向前。尽管有希望,但制定有效的QML模型需要深刻的专业知识才能在模型复杂性和嘈杂的中间尺度量子(NISQ)设备之间取得微妙的平衡。尽管复杂模型具有强大的代表能力,但它们的广泛电路深度可能会阻碍现有的嘈杂量子平台上的无缝执行。在本文中,我们通过采用深入的强化学习来探索熟练的QML模型体系结构,以解决QML模型设计的难题。具体来说,我们的方法涉及培训RL代理,以设计促进QML模型而没有预先确定的ANSATZ的政策。此外,我们集成了一种自适应机制,以动态调整学习目标,从而促进代理人学习过程的持续改进。通过大量的数值模拟,我们说明了我们在分类任务领域内的方法的功效。我们提出的方法成功地识别了能够达到高分类精度的同时最小化栅极深度的VQC体系结构。这种开创性的方法不仅在进行了AI驱动的量子电路设计的研究,而且还具有在NISQ时代提高性能的重要希望。索引术语 - Quantum机器学习,量子神经网络,变分量子电路,量子体系结构搜索
主要关键词