近日，北京量子信息科学研究院（以下简称“量子院”）相干原子系统的量子测量与操控团队在利用生成式AI实现连续原生门量子线路的优化生成方面取得进展。2026年5月21日，相关成果以“连续原生门量子线路合成的混合扩散-优化方法”（Hybrid diffusion-optimization for quantum synthesis with continuous native gates）为题，发表在Physica Scripta上。

在量子计算中，将给定目标幺正矩阵映射为可在硬件上直接执行的量子线路是一项重要任务，这个过程通常被称为量子线路合成，即根据目标量子操作生成相应的量子门序列，使其能在具体量子硬件上运行。随着量子比特数量增加，传统基于搜索和梯度优化的方法在计算复杂度上迅速上升，而不同硬件平台的原生门集多样化也增加了线路生成的难度。为此，研究团队引入生成式AI模型，通过学习量子线路结构与连续参数之间的关系，探索高效生成量子线路的新途径。

研究团队发展的混合扩散-优化框架将去噪扩散模型（DDPM）与轻量级梯度后优化结合，用于连续原生门量子线路的生成与微调（见图1）。在该方法中，量子线路首先被编码为固定形状的张量表示，其中量子门类型与连续参数分别由不同通道表征；目标幺正操作则通过专门的幺正矩阵编码器转化为条件信息，用于引导扩散模型生成对应线路。随后，去噪扩散模型在条件输入下，将初始随机噪声逐步转化为完整量子线路表示，并通过余弦相似度确定门类型，同时从张量通道读取对应的连续参数。生成完成后，梯度优化阶段进一步调整连续参数，以减少随机偏差并提高线路精度。

为了验证方法的有效性，团队针对10,000个随机生成的三比特目标幺正矩阵进行了系统测试。对于每个目标生成500条候选线路，并通过计算每条线路的过程失真（process infidelity）对线路与目标操作的匹配程度进行评估。评估结果显示，该框架能够生成与目标操作具有良好近似的量子线路。在验证完成后，团队进一步分析了生成线路的结构特征和参数分布。通过条件参数分布热图（见图2）显示，模型能够学习不同门类型下连续参数的分布规律，并显示出多样化的生成模式。这表明，混合扩散-优化框架能够在连续参数空间中捕获复杂的结构-参数依赖，为量子线路生成提供可靠的先验，而无需依赖特定硬件或离散化门集。

该工作将生成式AI模型与连续原生门量子线路合成紧密结合，形成可迁移的混合扩散-优化框架。该方法不仅能够生成紧凑、可执行的量子线路，还为量子-经典协同的实验设计提供了新的思路：AI模型可以作为智能辅助工具，帮助研究者快速构建和优化目标幺正操作对应的量子线路，并适应不同硬件平台的原生门集。这充分体现了“AI for Quantum”在量子信息处理中的应用潜力。该方法可扩展至更多量子比特和更复杂的硬件原生门，为未来量子算法的高效部署和硬件适配提供有力支撑。

该论文第一作者为量子院实习生郭大钧，通讯作者为量子院助理研究员苏晓禄，合作者还包括清华大学胡楚坤。该工作得到国家自然科学基金“第二代量子体系的构筑和操控”重大研究计划的支持。