量子科技中心_量科网

量子硬件技术的多样化发展带来了各具特色的连接方式和原生门组等独特性，这为特定量子电路选择最优执行平台带来了挑战。当前选择流程通常采用暴力穷举法：将电路在多种设备上编译后，根据电路深度和门保真度等指标评估性能。但这种方法计算成本高昂，且难以随量子处理器数量增加而扩展。该工作提出基于图神经网络（GNN）的预测器，通过分析量子电路的有向无环图（DAG）表示实现硬件选择自动化。研究团队使用MQT Bench数据集的498个量子电路（最高27量子比特），在Qiskit编译环境下测试了四个设备平台：三个超导量子处理器（IBM-Kyiv、IBM-Brisbane、IBM-Sherbrooke）和一个离子阱处理器（IONQ-Forte）。通过综合电路深度与门保真度的评估指标，研究发现93个电路在离子阱设备上编译最优，其余电路更适合超导平台。基于图机器学习的方法无需提取电路特征，而是直接将其作为图结构嵌入模型，在完整保留信息的同时显著加速最优目标决策过程。实验证明该方法预测最佳编译目标的准确率达94.4%，少数类F1分数达85.5%。相关代码已在GitHub开源（https://github.com/antotu/GNN-Model-Quantum-Predictor）。