量子科技中心_量科网

将通用量子电路转译到特定硬件拓扑结构上并采用有限可用门集（即量子电路转译）时，等效电路长度会显著增加。由于退相干效应，计算结果的精度会随电路长度增加而急剧下降。因此，如何将量子电路压缩为等效的最短门序列成为研究重点。当前高效转译方法之一借鉴了随机优化策略，例如采用随机采样与令牌替换方案，但其核心挑战在于采样效率不足会导致耗时耗能的优化过程。为此，该研究团队提出二维神经引导采样技术：通过神经网络对量子电路的二维表征进行预测，识别出可简化的门序列组，从而构建采样先验知识以大幅缩短电路化简时间。多项实验表明，该方法性能优于Qiskit和BQSKit工具链不同优化级别的基准结果。