Separating Ansatz Discovery from Deployment on Larger Problems: Reinforcement Learning for Modular Circuit Design
Este trabajo propone un enfoque que separa el descubrimiento de la estructura de un circuito cuántico modular en instancias pequeñas de su despliegue en problemas más grandes, demostrando mediante aprendizaje por refuerzo que los bloques aprendidos en sistemas de 8 qubits pueden generalizarse eficazmente a instancias de 12 y 16 qubits sin necesidad de modelar directamente sistemas de gran escala.