Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > quant-ph > arXiv:2507.12189

帮助 | 高级搜索

量子物理

arXiv:2507.12189 (quant-ph)
[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

Authors:Azhar Ikhtiarudin, Aditi Das, Param Thakkar, Akash Kundu
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。
摘要: We introduce BenchRL-QAS, a unified benchmarking framework for systematically evaluating reinforcement learning (RL) algorithms in quantum architecture search (QAS) across diverse variational quantum algorithm tasks and system sizes ranging from 2- to 8-qubit. Our study benchmarks nine RL agents including both value-based and policy-gradient methods on representative quantum problems such as variational quantum eigensolver, variational quantum state diagonalization, quantum classification, and state preparation, spanning both noiseless and realistic noisy regimes. We propose a weighted ranking metric that balances accuracy, circuit depth, gate count, and computational efficiency, enabling fair and comprehensive comparison. Our results first reveal that RL-based quantum classifier outperforms baseline variational classifiers. Then we conclude that no single RL algorithm is universally optimal when considering a set of QAS tasks; algorithmic performance is highly context-dependent, varying with task structure, qubit count, and noise. This empirical finding provides strong evidence for the "no free lunch" principle in RL-based quantum circuit design and highlights the necessity of tailored algorithm selection and systematic benchmarking for advancing quantum circuit synthesis. This work represents the most comprehensive RL-QAS benchmarking effort to date, and BenchRL-QAS along with all experimental data are made publicly available to support reproducibility and future research https://github.com/azhar-ikhtiarudin/bench-rlqas.
评论: 针对问答系统的全面强化学习代理基准。欢迎在此处贡献:https://github.com/azhar-ikhtiarudin/bench-rlqas
主题: 量子物理 (quant-ph) ; 人工智能 (cs.AI); 机器学习 (cs.LG); 性能 (cs.PF)
引用方式: arXiv:2507.12189 [quant-ph]
  (或者 arXiv:2507.12189v1 [quant-ph] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12189
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Akash Kundu Dr [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 12:43:25 UTC (364 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs.AI
cs.LG
cs.PF
quant-ph

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号