Hybrid Action Reinforcement Learning for Quantum Architecture Search
Das Papier schlägt HyRLQAS vor, ein Hybrid-Action-Reinforcement-Learning-Framework, das die diskrete Suche nach Schaltkreisstrukturen mit kontinuierlicher Parameteroptimierung vereinigt, um automatisch Variationelle Quantenschaltkreise zu entwerfen, die chemische Genauigkeit mit weniger Gattern und schnellerer Konvergenz erreichen.