强化学习与智能体如何接管量子控制、线路优化与编译。
本卷共 8 个词条，按认知顺序排列（与左侧目录一致）：
| 词条 | 读完能回答 |
|---|---|
| 智能体工作流 | LLM 智能体串联文献提取、编译、仿真与云执行，把中性原子实验的工程壁垒压到一条自然语言指令。 |
| ARGON：GNN 编译框架 | 时空解耦加图神经网络预测布局，把可重构原子阵列编译压进 10 秒并提升执行保真度。 |
| 电路即博弈 | 把电路执行建模为马尔可夫决策过程，RL 智能体 QC-Daemon 在可重构阵列上边跑电路边重排原子。 |
| Quarl：学习型量子线路优化器 | 分层动作空间 + 图神经网络状态表示 + PPO，把 Quartz 变换规则的调度交给强化学习，全面超越搜索基线。 |
| 强化学习量子线路优化 | 深度强化学习优化量子线路的开端之作：状态=线路、动作=化简规则，奖励来自出错概率模型。 |
| 强化学习量子控制 | 强化学习把量子控制写成序贯决策：模型自由、只靠标量奖励试错，不同控制阶段与约束下各有胜负。 |
| Rydberg 门增量 RL 最优控制 | 增量更新动作空间让 DRL 同步调制四路脉冲参数，自主发现提前关断策略，CNOT 保真度达 0.9991。 |
| ZX 图的深度强化学习优化 | 用图神经网络策略在 ZX 图上选择重写动作、以节点数或提取门数为奖励的化简框架，奖励可按硬件定制。 |