分布式强化学习驱动的量子编译自动调优方法

摘要

针对强化学习模型应用到量子编译自动调优领域开销大的问题，提出一种分布式强化学习（DRL）驱动的量子编译自动调优方法，通过将经验生成与智能体训练解耦，基于分布式集群实现了并行经验生成。该方法通过建立具有稠密奖励特性的量子编译马尔可夫决策过程（MDP）模型，设计经验生成与智能体训练的解耦机制，结合动态经验加载策略，在保证优化效果的同时提升训练效率。实验结果表明，分布式训练框架训练耗时减少54.6%；优化性能方面，智能体在测试集77.3%的量子线路上表现优于Qiskit-O3编译器，对未见过的Shor算法线路平均减少17.4%量子门数量。

关键词

强化学习 / 分布式系统 / 深度Q网络 / 量子编译优化 / 量子编译自动调优