Исследователи представили DreamQAS — фреймворк на базе обучения с подкреплением (RL), оптимизирующий поиск квантовых архитектур. Вместо повторного запуска дорогостоящих вычислений VQE на каждом этапе, система использует модель мира для предсказания результатов, сохраняя при этом детерминированные правила построения схем. Это позволяет значительно сократить вычислительные затраты при проектировании квантовых алгоритмов, сохраняя высокую точность оценки архитектур.
Традиционные методы RL-QAS требуют выполнения вариационного квантового решателя (VQE) после каждого изменения схемы, что делает процесс крайне ресурсоемким. DreamQAS разделяет задачу на две части: жестко заданные правила сборки схем и обучаемую модель, которая предсказывает «полезность» архитектуры для решения конкретной задачи. Такой подход позволяет агенту планировать развитие схемы в виртуальной среде, минимизируя количество обращений к реальному квантовому симулятору.
Модель использует рекуррентные структуры для обработки последовательностей действий, что позволяет эффективно учитывать историю изменений схемы. Внедрение подобной архитектуры позволяет исследователям быстрее находить оптимальные конфигурации для квантовых вычислений, сокращая время поиска с дней до часов за счет исключения избыточных итераций VQE.
Ключевые факты
- DreamQAS использует модель-ориентированное обучение с подкреплением для оптимизации квантовых схем.
- Система минимизирует количество вызовов VQE, заменяя их предсказаниями обученной модели мира.
- Фреймворк сохраняет детерминированную логику построения схем, фокусируясь только на обучении обратной связи.
- Метод направлен на повышение эффективности поиска архитектур в условиях ограниченных вычислительных мощностей.