量子科技中心_量科网

从单芯片架构向分布式多芯片量子架构的转变，从根本上改变了电路编译的格局，给时序噪声变化管理和昂贵芯片间操作最小化带来了新挑战。该研究团队提出DeepQMap框架——一种整合了双向长短期记忆动态噪声适应（DNA）网络、多头注意力机制与Rainbow DQN架构的深度强化学习系统。与传统静态优化方法（如QUBO公式）不同，该方法通过学习量子系统行为的时序表征持续适应硬件动态变化。在涵盖量子傅里叶变换、Grover算法和变分量子本征求解器的270个基准电路测试中，DeepQMap实现了0.920±0.023的平均电路保真度，相较最先进QUBO方法（0.618±0.031）具有统计学显著提升49.3%（t98=4.87，p=0.0023，Cohen's d=2.34）。芯片间通信开销降低79.8%，从每电路2.34次操作降至0.47次。DNA网络保持R²=0.912的噪声预测精度与0.87%的平均绝对误差，能主动补偿硬件波动。可扩展性分析表明，该系统在20-100量子比特规模下性能稳定，最大规模时保真度仍高于0.87，而对比方法已降至0.60以下。训练收敛速度比基线方法快8.2倍，仅需45分钟（QUBO优化需370分钟）。超大效应量验证了该方法对近期噪声中等规模量子计算应用的实际意义。