Bridge of $Ψ$'s: Quantum Circuit Optimization with Schrödinger Bridges

量子计算机有望解决当今机器无法处理的问题，从设计新药到破解复杂的密码。但为了运行这些程序，科学家必须将抽象的指令转化为量子处理器能够实际执行的一系列物理操作。这种被称为“编译”的转换过程充满了困难。量子程序的每一步都会引入微小的误差机会，由于这些机器极其脆弱，所需的步骤越多，最终结果出错的可能性就越大。为了让量子计算变得有用，研究人员必须寻找缩减这些程序的方法，在确保最终答案与原始计划完全一致的同时，去除不必要的步骤并缩短运行时间。

几十年来，缩减这些程序的标准方法一直是依赖于一套固定的规则，就像技工使用特定的扳手来拧紧螺栓一样。工程师们建立了已知捷径的库，通过将特定的操作模式替换为更短的等效模式来进行优化。虽然这在简单情况下效果良好，但在面对复杂且纠缠不清的程序时却显得力不从心。这些规则是僵化的，它们无法轻易洞察全局，也无法协调电路中遥远部分之间的变化。来自苏黎世联邦理工学院（ETH Zürich）和剑桥大学研究人员的一项新研究表明，这种优化的未来不在于僵化的规则，而在于一种通过实例学习的人工智能。他们构建了一个名为“Bridge of Ψ's”的系统，将缩减量子程序的问题视为一场从混乱、低效的状态向洁净、高效状态的旅程，并由其从数百万个示例中学习到的模式进行引导。

研究人员首先提出了一个基本问题：机器学习模型能否在没有被告知具体规则的情况下，直接学习优化量子电路？为了回答这个问题，他们需要一种方法来教模型什么是“好”的电路。他们不能只是向它展示随机的电路，因为模型将不知道哪些更好。相反，他们采取了逆向思维。他们从小型、高效的电路开始，通过反向应用已知规则，故意使其变得更大、更复杂。这创造了大量的配对：一个混乱、扩张的电路及其完美的、紧凑的双胞胎。通过将这些配对输入到他们的系统中，研究人员教会了模型如何识别从混乱版本回到洁净版本的转换过程。

他们构建的系统名为“Bridge of Ψ's”，使用了一种被称为“薛定谔桥”（Schrödinger bridge）的高级生成模型。简单来说，这种模型学习如何将数据从一种分布传输到另一种分布。想象一团烟雾需要被重塑成特定的形状；该模型学习从烟雾变为形状的最可能路径。在这种情况下，“烟雾”是扩张、低效的电路，而“形状”是优化后的版本。该模型并不逐步构建解决方案或检查规则列表，而是同时观察整个电路并预测如何对其进行重塑。为此，它使用了一种定制设计的架构，该架构尊重量子电路的独特结构——即操作在时间上的顺序至关重要，但承载信息的导线顺序则不然。这使得模型可以处理不同规模的电路，而无需从头开始重新训练。

当研究人员在包含 8 个量子比特和 64 个步骤的电路集上测试他们的系统时，结果令人瞩目。该模型生成的电路始终比他们对比的 9 种现有优化工具更短、更快。平均而言，它将电路的步骤数减少了近 2.5 倍，同时也缩短了电路的运行时间。更重要的是，它在近 80% 的案例中成功实现了这些改进，而最好的传统工具仅能在约 26% 的案例中达到目标优化水平。该系统非常有效，甚至经常能找到比用于训练的示例更短的解决方案，这表明它学习到了优化的底层原理，而非仅仅是记忆了示例。

研究还探讨了这种方法是否可以处理比训练时更大或结构不同的电路。研究人员发现，该模型可以快速适应。通过对系统进行微调，他们能够将其应用于具有 16 个量子比特且深度更大的电路，并取得了类似的成功率。这种灵活性至关重要，因为现实世界的量子程序在规模和复杂度上会有巨大差异。该系统并不依赖于固定的搜索空间或预先编写的技巧库，而是根据训练中学到的模式，实时生成新的解决方案。为了确保结果正确，研究人员加入了一个验证步骤，检查每一个输出以确认其执行的计算与原始输入完全相同，并丢弃任何未通过测试的结果。

尽管该系统功能强大，但并非没有代价。生成这些优化电路的过程比运行传统的基于规则的工具要耗时。一次优化过程可能需要几秒钟，而标准工具可能在不到一秒的时间内即可完成。然而，研究人员认为，这种额外的时间是值得的投资。传统工具经常陷入停滞，无法找到最佳解决方案，而新系统则能持续实现更深的缩减。在这样一个每一步都至关重要且误差会迅速累积的领域，显著缩短程序的能力可能决定了一次实验是失败还是突破性的发现。

这项工作代表了量子软件开发方式的一次重大转变。多年来，该领域一直依赖于手工构建的分析方法和僵化的搜索算法。这项研究证明，一种数据驱动的方法——即让机器从示例中学习优化的艺术——可以超越人类设计的最佳工具。它开启了一个未来，在那个未来，量子编译器不仅是规则的遵循者，更是能够通过导航复杂的量子操作景观来寻找最高效路径的智能系统。通过架起先进机器学习与量子物理之间的桥梁，研究人员表明，使量子计算走向实用的工具可能已近在咫尺，正等待着在正确的数据上进行训练。