量子科技中心_量科网

随着量子传感器中量子比特数量的增加，设计和控制量子电路的复杂性呈指数级增长。人工优化这些电路变得不可行。大规模量子电路中纠缠分布的优化对于提升量子传感器的灵敏度和效率至关重要[5][6]。该研究提出了一种基于强化学习与张量网络模拟（MPS）的工程化集成方案，可实现多达60个量子比特的传感器电路优化。为实现高效仿真和可扩展性，该团队采用张量网络方法（特别是矩阵乘积态表示法）替代传统的态矢量或密度矩阵方法。所开发的强化学习智能体通过重构电路结构，在降低门数量和电路深度的同时，实现了量子Fisher信息量（QFI）和纠缠熵的最大化。实验结果表明：QFI值趋近于1，纠缠熵稳定在0.8-1.0区间，电路深度和门数量最高减少90%。这些成果彰显了量子机器学习与张量网络相结合在现实约束条件下优化复杂量子电路的潜力。