量子科技中心_量科网

幺正合成（Unitary Synthesis）——将幺正矩阵分解为一系列量子门序列的过程——是量子编译领域的核心挑战。现有强化学习方法常受限于稀疏奖励信号，需依赖复杂的奖励塑形或漫长训练周期，且通常仅收敛至单一策略，缺乏解多样性。本研究提出QFlowNet创新框架，通过将生成流网络（GFlowNet）与Transformer结合，实现了稀疏信号下的高效学习。该工作突破了两大关键难题：其一，GFlowNet框架本质设计可学习多样化策略，其采样解的概率与奖励成正比，既克服了强化学习的单解局限，又比扩散模型等生成方法具有更快推理速度；其二，Transformer作为强效编码器，能捕捉幺正矩阵的非局部结构，将高维状态压缩为策略网络的稠密潜在表征。该智能体在3量子比特基准测试（长度1-12）中达成99.7%的综合成功率，并发现了一系列紧凑电路解集，确立了QFlowNet作为高效且多样化的幺正合成新范式。