Quantum Machine Learning Architecture Search via Deep Reinforcement Learning

量子计算（QC）和机器学习（ML）的快速发展催生了量子机器学习（QML）这一新兴领域，旨在利用量子计算的优势推动机器学习的发展。尽管QML具有很大的潜力，但制定有效的QML模型需要深厚的专业知识，以在嘈杂的中型量子（NISQ）设备上在模型复杂性和可行性之间取得微妙的平衡。虽然复杂的模型提供了强大的表示能力，但它们的广泛电路深度可能会阻碍现有嘈杂的量子平台上的无缝执行。本文通过采用深度强化学习来解决QML模型设计的这一难题，以探索适用于指定监督学习任务的高效QML模型架构。具体而言，我们的方法涉及训练一个RL代理来制定政策，以促进发现没有预定ansatz的QML模型。此外，我们集成了一种自适应机制，动态调整学习目标，促进代理的学习过程持续改进。通过广泛的数值模拟，我们展示了我们的方法在分类任务领域的有效性。我们提出的方法成功地识别出VQC架构，能够在最小化门深度的同时实现高分类精度。这种开创性的方法不仅推进了AI驱动的量子电路设计的研究，而且在NISQ时代提高了性能，具有重要的前景。

本文旨在解决量子机器学习模型设计中的困境，即如何在保证模型复杂度的同时，使其能够在嘈杂的中等规模量子设备上执行。同时，本文还试图通过使用深度强化学习来探索适用于指定监督学习任务的高效量子机器学习模型架构。

本文的关键思路是使用深度强化学习来训练智能体，以设计出没有预先设定的量子机器学习模型。此外，本文还整合了自适应机制，以动态调整学习目标，促进智能体的持续学习过程。

本文的亮点在于成功地将深度强化学习应用于量子机器学习模型的设计中，并且通过大量的数值模拟验证了该方法的有效性。实验结果表明，该方法能够发现能够在中等规模量子设备上高效执行的VQC架构，同时实现高分类精度和最小门深度。此外，本文还提供了相关代码和数据集。

在这个领域中，最近的相关研究包括“Quantum Machine Learning Models and Data Analysis with IBM Qiskit”和“Quantum Machine Learning in High Energy Physics”等。