量子科技中心_量科网

以量子为核心的高性能计算（QCSC）框架——如基于采样的量子对角化（SQD）方法——为实现解决复杂问题的实用量子优势提供了巨大潜力。该框架利用量子计算机执行经典计算机难以完成的任务：从希尔伯特空间中采样对目标态具有重要贡献的主导费米子构型，随后在经典处理器上进行哈密顿量对角化。然而，噪声量子硬件在测量时会产生错误样本，因此构建鲁棒高效的构型恢复策略对可扩展的QCSC流程至关重要。 针对这一挑战，该研究团队提出了PIGen-SQD——一种精心设计的QCSC工作流程，其结合了生成式机器学习能力与基于物理信息的隐式低秩张量分解构型筛选技术，实现精确的费米子态重构。这种物理信息剪枝策略基于一类高效微扰度量指标，配合硬件采样数据，可产生与目标态高度重叠的分布。该分布对生成式机器学习模型产生锚定效应，使其以自洽方式随机探索希尔伯特空间的主导区域，从而有效识别其他重要构型。 在IBM Heron R2量子处理器上的数值实验表明，这种协同工作流程能生成紧凑、高保真的子空间，在强电子关联条件下保持化学精度的同时，大幅降低对角化计算成本。通过将经典多体物理直觉直接嵌入生成式机器学习模型，PIGen-SQD提升了QCSC算法的鲁棒性和可扩展性，为在实用规模量子硬件上实现化学可靠模拟开辟了新途径。