Los puntos clave no están disponibles para este artículo en este momento.
La llegada de dispositivos cuánticos de escala intermedia ruidosa (NISQ) ofrece una promesa crucial para el desarrollo de algoritmos cuánticos. Los algoritmos cuánticos variacionales han surgido como una de las mejores esperanzas para utilizar dispositivos NISQ. Entre ellos se encuentra el famoso Eigensolver Cuántico Variacional (VQE), donde se entrena un circuito cuántico parametrizado y fijo (o un ansatz) para llevar a cabo la tarea. Sin embargo, VQE también enfrenta serios desafíos, que son la dificultad de entrenamiento y la reducción de precisión debido a circuitos cuánticos profundos y el ruido del hardware. Motivados por estos problemas, proponemos un esquema eficiente en tiempo de ejecución y recursos, optimización de arquitectura de circuito cuántico basado en búsqueda en árbol de Monte Carlo (MCT), donde el ansatz se construye en forma variable. Nuestro enfoque primero modela el espacio de búsqueda con un MCT y lo considera como una superred, donde utilizamos la dependencia de capas para reducir el tamaño del espacio de búsqueda. En segundo lugar, se propone un esquema de dos etapas para el entrenamiento del espacio de búsqueda, donde se emplean estrategias de compartición de pesos y calentamiento para evitar altos costos de computación. Los resultados del entrenamiento se almacenan en nodos del MCT para decisiones futuras y se presenta una selección de nodos jerárquica para obtener un ansatz óptimo. Como prueba de principio, realizamos una serie de experimentos numéricos para materia condensada y química cuántica en el simulador cuántico con y sin ruido. En consecuencia, nuestro esquema puede ser eficiente para mitigar problemas de entrenabilidad y precisión minimizando la profundidad del ansatz y el número de puertas de entrelazamiento.
Meng et al. (Fri,) estudiaron esta cuestión.