量子科技中心_量科网

量子电路优化是量子计算的核心任务，因为当前噪声中等规模量子（NISQ）设备存在的误差传播问题通常随操作数量增加而加剧。在量子操作中，CNOT门具有基础性地位——作为通用Clifford+T门集中唯一的双量子比特门。针对CNOT门数量最小化问题，学界已提出启发式算法（如处理线性可逆综合的经典Patel-Markov-Hayes/PMH算法，该场景无拓扑约束），以及近期在更复杂的拓扑感知综合场景中采用的强化学习策略（此类场景下每个CNOT门仅能作用于特定量子比特对）。本研究提出AlphaCNOT框架，该基于蒙特卡洛树搜索（MCTS）的强化学习系统通过将CNOT最小化建模为规划问题实现高效求解。区别于其他强化学习方案，该团队的模型具备前瞻搜索能力，可评估未来操作轨迹从而发现更优的CNOT序列。在线性可逆综合任务中，本方案较PMH基准线最高减少32%的CNOT门数量；在8量子比特以内的多种约束拓扑场景下，相较最先进的强化学习方案也实现了稳定的门数量缩减。实验结果表明，将强化学习与搜索策略结合的方法可扩展至Clifford门最小化等其他电路优化任务，这将加速迈向“量子实用”时代的进程。