量子物理
[提交于 2025年7月16日
]
标题: BenchRL-QAS:量子架构搜索的强化学习算法基准测试
标题: BenchRL-QAS: Benchmarking reinforcement learning algorithms for quantum architecture search
摘要: 我们引入了BenchRL-QAS,这是一个统一的基准测试框架,用于在从2到8量子位的不同变分量子算法任务和系统规模上系统地评估强化学习(RL)算法在量子架构搜索(QAS)中的表现。 我们的研究在如变分量子本征值求解器、变分量子态对角化、量子分类和状态制备等代表性量子问题上对九种RL代理进行了基准测试,涵盖了无噪声和现实噪声环境。 我们提出了一种加权排名指标,平衡了准确性、电路深度、门数和计算效率,使得公平和全面的比较成为可能。 我们的结果首次揭示了基于RL的量子分类器优于基线变分分类器。 然后我们得出结论,当考虑一组QAS任务时,没有单一的RL算法是普遍最优的;算法性能高度依赖于上下文,随着任务结构、量子位数量和噪声而变化。 这一实证发现为基于RL的量子电路设计中的“没有免费午餐”原理提供了有力证据,并强调了定制算法选择和系统基准测试对于推进量子电路综合的必要性。 这项工作是迄今为止最全面的RL-QAS基准测试努力,BenchRL-QAS以及所有实验数据都公开可用,以支持可重复性和未来研究 https://github.com/azhar-ikhtiarudin/bench-rlqas。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.