摘要
量子储备计算（QRC）利用固定的量子动态作为高维时间特征映射，仅训练轻量级的经典读出。QRC在近期量子机器学习中颇具吸引力，但其性能高度依赖于架构选择，例如输入编码、储备深度、纠缠拓扑、测量特征、状态重置策略、特征构建和读出正则化。
我们引入了 \method，一个基于模拟器的基准测试，将QRC设计公式化为受限的黑箱架构搜索，并评估大型语言模型（LLM）是否可以作为该搜索问题的提案控制器。该基准比较了五种策略在相同评估预算下的表现：随机搜索、进化搜索、贝叶斯/TPE优化、基于反馈的LLM代理，以及 \hybrid，它结合了LLM提案与记忆、变异、交叉、重复避免和探索。
在NARMA10、Mackey-Glass预测和时间奇偶性测试中，\hybrid{} 是最一致的策略：它在NARMA10和时间奇偶性测试中排名第一，在Mackey-Glass中排名第二，仅次于进化搜索。在25次评估预算和三个种子下，\hybrid{} 在所有任务上优于随机搜索，包括在Mackey-Glass中的23.6\%相对误差减少。
这些结果并不表明LLMs是通用的QRC优化器；而是表明生成模型在嵌入经过验证、可重复的混合搜索循环中时，可以作为有用的高级控制器。
博主点评： 本文通过引入混合LLM引导搜索的方法，展示了量子储备计算架构设计中的新思路，尤其是在架构优化方面的潜力。尽管LLM并不是万能的优化器，但其在特定框架下的应用显示出巨大的价值，值得在未来的研究中进一步探索。