Comparing and learning figures of merit for quantum circuit compilation
本文提出了一种机器学习框架，该框架通过首先估算所需的编译门，然后考虑硬件噪声，来预测一种新型的加权品质因数（wPST），从而在为量子设备选择高质量电路方面显著优于传统指标。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图烘焙一个完美的蛋糕，但你并没有一个标准的厨房。相反，你拥有一个混乱、嘈杂的烤箱，热量波动剧烈；你的搅拌碗只能连接到台面的特定位置。这正是目前量子计算的现状。科学家们正在制造利用量子力学奇特规则（如叠加态——即同时处于两个地方；以及纠缠态——即粒子之间神奇的联系）的机器，以解决那些即便使用超级计算机也需要数千年的难题。但这些机器非常脆弱。它们处于专家所说的“含噪声中等规模”（NISQ）时代，这意味着它们虽然强大，但极易出错，且其部件（量子比特）并不总能直接进行通信。
为了让量子算法在这样混乱的硬件上运行，你必须对其进行“编译”。把编译想象成将一份为完美厨房编写的食谱，翻译成一套在你的混乱厨房中实际可以执行的指令。你可能需要增加额外的步骤，比如移动食材（SWAP 门）以到达正确的碗，或者你可能不得不把一把精致的搅拌器换成勺子，因为那把搅拌器并不适合。大问题在于：你如何知道哪一套指令最终能做出一个好蛋糕？你需要一种在打开烤箱之前就能衡量食谱质量的方法。这就是“性能指标”（figures of merit）发挥作用的地方——它本质上是衡量一个量子电路表现如何的计分卡。
这篇论文探讨了寻找完美计分卡这一棘手问题。作者 Harshdeep Singh 及其来自查尔姆斯理工大学和哥德堡大学的团队认为，旧有的量子电路评分方法要么过于简单，要么计算起来过于困难。简单的评分方式（例如统计食谱中的步骤数量）虽然容易检查，但无法告诉你蛋糕是否真的好吃。而在另一端，“完美”的评分方式涉及实际烘焙蛋糕（运行电路）并品尝它，但为每一种可能的食谱变化都进行这种测试会耗费无穷的时间。
该团队提出了一种更智能的计分卡，称为 wPST（加权成功试验概率）。想象一下你在给学生考试评分。旧的方法（PST）规定，只有当你答对每一道题时才能获得满分 100%。如果你错了一道题，你就得零分。这种方式太严苛，也无法体现出这个学生是掌握了 99% 的内容还是仅掌握了 10%。新的 wPST 方法则更加宽容且信息丰富：它提供部分分数。如果你答对了 10 道题中的 9 道，你会得到 0.9 分。这能更好地捕捉结果的“优劣”，尤其是在机器存在噪声且微小误差不可避免的情况下。
然而，即使计算这种新评分通常也需要运行电路，这非常缓慢。为了解决这个问题，作者训练了一个机器学习模型——一个数字大脑——通过观察食谱（电路）和厨房地图（硬件）来预测 wPST 分数。他们向这个模型输入了数千个示例，教它识别模式，例如“步骤过多”、“纠缠的食材过多”或“使用了一个注意力时间较短的量子比特”。
结果令人振奋。在模拟实验和对真实 IBM 量子计算机的测试中，他们的机器学习模型预测电路成功率的准确度远高于传统方法。旧方法（如统计门数量）与实际成功率的相关性仅为 40-50%，而他们的新模型将这种相关性提升到了 90% 以上。这是一个巨大的进步，实际上将预测准确度提高了 50% 以上。
为了使这一成果能应用于现实世界的量子编译器，作者还设计了一个两步走的技巧。通常情况下，在电路针对特定机器完成翻译之前，你无法得知最终得分。但他们的系统可以首先预测机器将增加多少额外步骤（就像预测 GPS 会增加多少绕路距离），然后利用这个预测值来推算最终的 wPST 分数。这使得编译器能够瞬间选出最佳食谱，而无需先进行缓慢且昂贵的测试。
简而言之，这篇论文表明，通过使用更智能的、提供部分分数的评分系统（wPST），并结合快速训练的 AI 预测器，我们可以更快地构建出更好的量子电路。它并不能解决量子计算的所有问题，但它提供了一种更可靠的方式，让我们能够航行在当今噪声巨大、波涛汹涌的量子硬件之海上，帮助我们离那些完美的“量子蛋糕”更近一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。