Investigating Quantum Circuit Designs Using Neuro-Evolution
本文介绍了 EXAQC，这是一个神经进化框架，它通过在硬件约束条件下联合优化门类型、连通性和参数，实现了参数化量子电路的设计与训练自动化，并在基准任务上取得了高精度和高保真度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图用乐高积木搭建一台复杂的机器来解决特定的谜题。通常情况下，工程师必须手动设计蓝图，决定每一块积木放在哪里、使用什么颜色以及如何连接。如果他们做错了，机器可能会太大、太慢，或者根本无法工作。
这篇论文介绍了一种设计这些“机器”的新方法，只不过这里用的不是乐高积木，而是量子线路（量子计算机的蓝图），而设计的不再是人类工程师，而是使用了一种数字进化过程。
以下是他们的方法——被称为 EXAQC 的拆解，使用了简单的类比：
1. 问题所在：“盲目的建筑师”
设计量子线路极其困难。你可以排列组合部件（门）和连接它们（线路）的方式数量是天文数字。
- 旧方法： 人类尝试通过猜测最佳设计或使用固定的模板。这就像是试图通过仅使用预制墙体来盖房子，而永远无法改变平面布局。这种方式往往无法适应特定的问题或运行它的硬件。
- 新方法 (EXAQC)： 作者没有使用人类建筑师，而是使用了一种“数字自然选择”过程。他们让计算机随着时间的推移“进化”出最佳的线路设计，就像自然界进化动物以适应其环境一样。
2. 进化是如何运作的：“数字达尔文主义”
研究人员创建了一个系统，将量子线路视为具有 DNA（称为基因组）的生命体。
- DNA： “基因组”是一组指令，告诉量子计算机使用哪些门、连接哪些量子比特（qubits）以及按什么顺序进行。
- 变异（随机变化）： 就像生物变异一样，系统会随机改变线路。它可能会：
- 添加一个新的门（就像给房子增加一个新房间）。
- 禁用一个门（移除一个没用的房间）。
- 交换线路（重新布置管道）。
- 重新排序步骤（改变指令序列）。
- 交叉（繁殖）： 系统选取两个成功的线路并让它们“交配”。它们会混合彼此的 DNA，创造出一个“后代”线路，这个后代有望继承父母双方的最佳特征。他们甚至发明了特殊的方法，可以同时混合来自四个亲本的 DNA，而不只是两个。
3. 训练过程：“在做中学”
一旦一个新的线路诞生，它就必须证明自己的价值。系统主要通过两种方式测试它：
- “老师”测试（模仿）： 给计算机一个“完美”的线路（老师），并要求它模仿其行为。如果新线路的表现与老师完全一致，它就会获得高分。这就像一名学生试图完美模仿钢琴大师的演奏。
- “测验”测试（分类）： 给线路一个标准数据集（例如对花朵或葡萄酒进行分类）。它必须观察数据并做出猜测。如果它猜对了，就会获得高分。这就像学生参加一场选择题考试。
得分最高的线路可以进行“繁殖”，并将它们的基因传递给下一代。失败的线路则会被丢弃。经过数百代的演化，线路种群会变得越来越聪明、越来越高效。
4. 结果：他们发现了什么？
作者在几个现实世界的数据集（如著名的鸢尾花数据集和乳腺癌数据）以及合成量子谜题上运行了这一进化过程。
- 高分表现： 进化出的线路能够在大多数测试中解决分类问题，准确率超过 90%。
- 完美的模仿： 当被要求复制一个“老师”线路时，进化出的线路达到了 98% 到 100% 的保真度（这意味着它们与目标几乎完全相同）。
- 令人惊讶的设计： 线路不仅仅是复制老师；有时它们会找到解决同一问题的不同方法。例如，为了表现得像一个“什么都不做”（恒等）门，一个进化出的线路通过连续使用两个特定的门来抵消自身，而另一个进化出的线路则使用了完全不同的技巧。这表明该系统具有创造力，而不仅仅是一个复读机。
5. 为什么这很重要
该论文认为这种方法之所以强大，是因为：
- 它具有灵活性： 它能兼容不同的软件工具（Qiskit 和 Pennylane），因此不会受限于特定的量子计算机品牌。
- 它是自动化的： 它不需要人类来决定结构；它能自行确定最佳的形状、深度和连接方式。
- 它很高效： 它仅通过相对较少的尝试（在实验中仅测试了 500 个“代”线路）就找到了良好的解决方案。
简而言之： 这篇论文展示了一个“适者生存”的模拟器，能够自动设计量子线路。与其让人类去猜测最佳布局，不如让计算机尝试成千上万种随机的变化，保留那些效果最好的，并不断繁衍，直到创造出一种高效的、具备解决问题能力的量子机器。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。