Il replay generativo mitiga la carenza di campioni nella ricerca di architetture quantistiche

Abstract degli autori

L’apprendimento per rinforzo (RL) può automatizzare la ricerca di architetture quantistiche, ma la sua scalabilità è limitata quando le traiettorie di circuito utili diventano rare nello spazio di ricerca in rapida espansione. I meccanismi di replay esistenti riutilizzano le transizioni osservate; il modello appreso proposto produce ulteriori transizioni predette di un singolo passo a partire da coppie stato-azione reali. Qui presentiamo GenQAS, un framework di RL guidato da reti tensoriali che combina un’inizializzazione a caldo fissa basata su uno stato a prodotto di matrici con un replay generativo prioritizzato. Un modello locale di transizione appreso genera transizioni sintetiche dei circuiti su richiesta e le combina con l’esperienza reale durante gli aggiornamenti della Double Deep Q-Network. In un’analisi dell’esplorazione casuale, i circuiti prossimi allo stato fondamentale occupano una regione dello spazio degli stati accessibile che si restringe rapidamente. Esaminiamo se il replay sintetico ancorato a dati reali possa migliorare il segnale di addestramento effettivo in questo regime. Nei benchmark di Hamiltoniane chimiche da 6 a 12 qubit, GenQAS migliora la probabilità di successo a budget fisso e individua circuiti compatti con errori energetici competitivi. A 12 qubit, migliora la probabilità finale di successo fino a $7.0\times$ rispetto al replay passivo. Su un modello di Ising in campo trasverso a 15 qubit, GenQAS aumenta la probabilità di successo dal $12\%$ al $21\%$. In un esperimento di trasferimento rumoroso su 6 qubit con BeH$_2$, il replay generativo riduce del $92.7\%$ il numero di passi necessari per raggiungere l’accuratezza chimica. Questi risultati mostrano che il replay generativo può mitigare la carenza di campioni nella ricerca di architetture quantistiche e favorire la scoperta di circuiti con un uso più efficiente delle risorse.