量子科技中心_量科网

量子计算机上的哈密顿量模拟强烈受限于门操作数，这推动了对降低电路深度的技术探索。虽然张量网络是量子计算机的自然竞争者，但该研究团队创新性地利用其辅助电路设计——通过张量网络数据集实现了受量子机器学习启发的酉合成。针对热力学极限下的目标模拟，研究人员利用平移不变性显著降低了优化复杂度，避免了系统规模带来的计算量增长。该方法不仅能高效制备基态，还在无限与有限系统的时间演化中实现了远低于传统Trotter分解方法的门操作深度。除减少CNOT门深度外，该工作还论证了其在容错量子算法中的类似应用价值，实现e^{-iHt}所需的T门数量减少了5.2倍。该方案的核心成果是获得平移不变电路的优化单元结构，为真实量子计算机上有限（但可任意大）系统的哈密顿量模拟提供了显著优势。