量子科技中心_量科网

在量子模拟中实现化学精度常常受到“测量瓶颈”的限制：估计算符需要大量测量次数（shots），即便在容错量子设备上成本仍居高不下，而在当前存在噪声的硬件上，有限电路保真度和误差缓解开销更使该问题雪上加霜。解决这一挑战涉及一个多目标优化问题，需平衡总测量次数、不同测量电路数量以及硬件特定编译约束。现有方法通常依赖于启发式图着色策略（对互易或比特级互易哈密顿量项进行分组）或贪婪分配方案来分配测量，这类方法仅探索组合解空间的有限部分，可能错失更优解。该团队提出一种算法，将生成流网络（GFlowNets）适配于哈密顿量的图表示着色过程，从而生成多样化、高质量的分组方案。该方法按用户定义奖励的比例采样着色图，天然捕获多目标权衡关系并发现多个有竞争力的解。在分子哈密顿量基准测试中，该方法的测量成本低于排序插入基线。研究人员进一步分析复合奖励（同时考虑电路数量和测量成本）的作用，实现了额外改进。这一生成式策略框架不仅降低了测量成本，还通过其奖励函数为潜在硬件感知适配提供了灵活性。