Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy
本文提出了一种利用量子图哈密顿神经网络（QGHNN）进行超导量子电路协同设计的物理-机器学习混合框架，实现了超过 99.4% 的读取分离保真度以及约 86% 的 Grover 算法准确率，其性能可与 IBM 的 Q5 Tenerife 处理器相媲美。
原始论文采用 CC BY 4.0 许可（https://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
量子计算机有望解决普通机器需要花费数千年才能完成的问题，但建造它们就像是在飓风中试图维持一座纸牌屋的平衡。这些机器依赖于被称为“量子比特”的脆弱信息单元，量子比特可以同时存在于多种状态中，从而允许它们同时探索许多可能性。然而，这种脆弱的状态极易被噪声、热量甚至仅仅是观察行为所破坏。为了使量子计算机发挥作用，工程师必须设计出能够让这些量子比特保持足够长时间稳定以进行计算，同时又能清晰读取结果而不让信息消逝的电路。挑战在于，那些让量子比特易于读取的设置往往会使其难以进行复杂的数学运算，而有助于其进行高效计算的设置又会让最终答案变得模糊。寻找这种平衡需要在一个提升系统某一部分往往会损害另一部分的景观中进行航行。
在一项新的研究中，来自伊朗量子技术研究中心及合作机构的研究人员开发出一种方法，用以解决这种针对特定类型超导电路量子计算机的平衡难题。他们创建了一个混合框架，将物理定律与一种特殊的类型的人工智能相结合，旨在设计一个比以往尝试表现更佳的双量子比特系统。该团队并没有将硬件设计和算法性能视为两个独立的问题，而是使用了一个神经网络——一种旨在从数据中学习的计算机程序——来寻找一个测量准确度和计算成功率都能实现最大化的完美运行点。他们的工作证明，通过在设备的底层物理特性上训练该系统，他们可以识别出一个“甜点区”（sweet spot），使机器能以高精度读取自身状态，同时能以卓越的成功率执行著名的搜索算法。
研究人员专注于一个由两个通过共享谐振器（一个充当其相互作用桥梁的组件）连接的超导量子比特组成的装置。在这种环境下，量子比特受到持续噪声和能量损失的影响，这些影响是通过描述开放系统随时间演化的方程来进行建模的。团队需要调节多个物理变量，例如量子比特的频率以及它们与“桥梁”连接的强度，以同时实现两个目标：使量子比特状态的读取尽可能清晰，并确保格罗弗（Grover）搜索算法（一种在大型列表中寻找特定项的方法）能够正确运行。困难之处在于这两个目标往往背道而驰：推动系统提高计算准确性可能会使读取信号变得模糊，反之亦然。
为了应对这种冲突，团队使用了一种名为“量子图哈密顿神经网络”（Quantum Graph Hamiltonian Neural Network）的工具。不同于将数据视为“黑盒”的标准计算机程序，该网络在构建时就理解了物理系统的结构，将量子比特及其连接视为一个相互作用部分的地图。研究人员通过模拟量子系统在数千种不同物理条件下的行为，生成了一个庞大的数据集，记录了每种变化如何影响读取质量和算法成功率。随后，他们训练神经网络去学习物理设置与最终结果之间复杂的非线性关系。一旦神经网络掌握了这张地图，它就可以瞬间预测任何新设置的结果，而无需每次都运行缓慢且沉重的模拟过程。这使得团队能够利用数学搜索方法，在各种可能性构成的“山丘”中攀爬，寻找那座两项性能指标均处于高位的顶峰。
这种协同设计方法的成果令人瞩目。在优化之前，系统虽然显示出量子比特不同状态之间的清晰分离，但仍存在可能导致错误的重叠。在神经网络引导调优后，分离变得更加锐利，将测量保真度推高至超过 99.4%。虽然这在数值上看起来增幅微小，但在量子计算领域，如此微小的百分比代表着错误率的大幅降低。更重要的是，算法性能实现了飞跃。格罗弗搜索算法的成功概率从最初受限于硬件设置的状态，上升到了约 86%。这一准确度水平已可与目前成熟的商业量子处理器相媲美，表明这种新设计在现实应用中是可行的。
研究还揭示了工程师必须管理的某种基本权衡。当研究人员仅针对搜索算法进行优化时，他们发现进行快速计算所需的强相互作用往往会抑制量子纠缠所需的微妙量子连接——纠缠是量子比特以一种超越经典物理的方式相互关联的资源。神经网络成功找到了一个中间地带，在提供高算法性能的同时，保留了足够的量子连接。为了证明他们的发现并非仅仅停留在理论层面，团队将优化后的参数用于在专业工程软件中设计物理电路布局。随后，他们在该设计上运行了电磁模拟，证实人工智能产生的数值可以直接转化为可制造、可运行的硬件配置。
这项工作凸显了量子计算机构建方式的一种转变。与其先设计硬件再试图让软件与之适配，或者优化软件并寄希望于硬件能跟上步伐，不如将两者进行协同设计。通过使用一种尊重物理定律的机器学习模型，研究人员展示了寻找同时满足多个竞争性需求的运行点是可能的。该研究证实，即使是在一个充满噪声、并不完美的现实世界中，通过精心的协同设计也能从量子电路中提取出高性能。由于可以将优化后的设置直接转化为物理维度（如导线的长度或电容器的大小），从计算机模拟到实际工作的芯片之间的路径正变得更加短促且直接。
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。