Quantum Architecture Search with Unsupervised Representation Learning
作者: Yize Sun, Zixin Wu, Volker Tresp, Yunpu Ma
分类: quant-ph, cs.LG
发布日期: 2024-01-21 (更新: 2026-01-25)
备注: 12 Pages, quantum architecture search, unsupervised representation learning
期刊: Quantum 10, 1994 (2026)
DOI: 10.22331/q-2026-02-03-1994
💡 一句话要点
提出无监督表示学习以优化量子架构搜索
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 量子架构搜索 无监督学习 量子电路优化 变分量子算法 量子计算 机器学习
📋 核心要点
- 现有的量子架构搜索方法通常需要评估大量量子电路，导致计算成本高且难以扩展。
- 本文提出了一种无监督表示学习的方法，解耦了架构表示学习与搜索过程，避免了对大量标记数据的依赖。
- 通过在IBM的量子处理器上执行发现的MaxCut电路，验证了所提方法在真实硬件噪声下的优越性能。
📝 摘要（中文）
无监督表示学习为在噪声中间规模量子（NISQ）设备上推进量子架构搜索（QAS）提供了新机遇。QAS旨在优化变分量子算法（VQAs）的量子电路。现有QAS算法通常紧密耦合搜索空间和搜索算法，需评估大量量子电路，导致高计算成本并限制了对更大量子电路的可扩展性。本文提出了一种无监督架构表示学习的方法，解耦了表示学习与搜索过程，允许学习到的表示在各种下游任务中应用。此外，集成了改进的量子电路图编码方案，提升了搜索效率。实验表明，该框架在较少的搜索迭代中有效识别高性能量子电路。
🔬 方法详解
问题定义：本文旨在解决现有量子架构搜索方法中高计算成本和对大量标记数据依赖的问题。现有方法通常需要评估多个量子电路，限制了其可扩展性。
核心思路：提出了一种无监督表示学习的方法，解耦了架构表示学习与搜索过程，使得学习到的表示可以在不同任务中复用，从而减少对标记数据的需求。
技术框架：整体架构包括无监督表示学习模块和搜索模块。无监督模块负责生成电路的表示，而搜索模块则利用这些表示进行电路优化。
关键创新：最重要的创新在于提出了一种无监督的架构表示学习方法，避免了传统方法中对预测器的依赖，从而降低了对标记数据的需求。
关键设计：在技术细节上，采用了改进的量子电路图编码方案，并结合REINFORCE和贝叶斯优化算法进行搜索，提升了搜索效率和准确性。实验中使用的损失函数和参数设置经过精心设计，以确保模型的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在较少的搜索迭代中成功识别出高性能的量子电路，并在IBM的量子处理器上执行时，MaxCut电路在真实硬件噪声下仍保持了优越的性能，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括量子计算中的电路优化、量子算法开发以及量子机器学习等。通过提高量子架构搜索的效率，能够推动量子计算技术的实际应用，促进量子技术在科学研究和工业中的广泛应用。
📄 摘要（原文）
Unsupervised representation learning presents new opportunities for advancing Quantum Architecture Search (QAS) on Noisy Intermediate-Scale Quantum (NISQ) devices. QAS is designed to optimize quantum circuits for Variational Quantum Algorithms (VQAs). Most QAS algorithms tightly couple the search space and search algorithm, typically requiring the evaluation of numerous quantum circuits, resulting in high computational costs and limiting scalability to larger quantum circuits. Predictor-based QAS algorithms mitigate this issue by estimating circuit performance based on structure or embedding. However, these methods often demand time-intensive labeling to optimize gate parameters across many circuits, which is crucial for training accurate predictors. Inspired by the classical neural architecture search algorithm Arch2vec, we investigate the potential of unsupervised representation learning for QAS without relying on predictors. Our framework decouples unsupervised architecture representation learning from the search process, enabling the learned representations to be applied across various downstream tasks. Additionally, it integrates an improved quantum circuit graph encoding scheme, addressing the limitations of existing representations and enhancing search efficiency. This predictor-free approach removes the need for large labeled datasets. During the search, we employ REINFORCE and Bayesian Optimization to explore the latent representation space and compare their performance against baseline methods. We further validate our approach by executing the best-discovered MaxCut circuits on IBM's ibm_sherbrooke quantum processor, confirming that the architectures retain optimal performance even under real hardware noise. Our results demonstrate that the framework efficiently identifies high-performing quantum circuits with fewer search iterations.