量子科技中心_量科网

Pauli关联编码（PCE）通过将 \(m\) 个二元变量映射到对易的Pauli关联子上，将其压缩至 \(n=O(m^{1/k})\) 个量子比特，但其连续期望值必须被解码为可行的二元解，这对于稠密约束问题而言是一项挑战。该研究将PCE应用于mRNA二级结构预测，该问题被表述为密集约束的QUBO（二次无约束二元优化）形式，并采用保留QUBO惩罚结构的QUBO空间sigmoid损失函数进行训练。在解码环节，该工作提出了问题感知引导解码器（PAGD），该解码器通过结合边际QUBO能量降低、训练后的期望值先验以及约束感知可行性剪枝，对候选变量赋值进行评分。在六个基准mRNA序列（30-60 nt，50-240个变量，7-14个量子比特）上，使用100次重启的PAGD在多达152个变量的序列上实现了75-100%的近最优恢复率（定义为 \(P(\mathrm{gap}<1\%)\)），而符号取整加局部搜索基线方法仅为0-30%。在240个变量的实例上，训练后的PAGD在200次重启时达到50%的 \(P(\mathrm{gap}<1\%)\)，优于未训练电路和随机期望值控制方法。硬件规模测试将该流程扩展到三个102-105 nt的实例（694-745个变量，172,000-193,000个配对约束，23个量子比特），并在IBM Heron处理器上运行。这些电路无需SWAP门即可编译为深度256的480个原生双量子比特门，PAGD在QPU运行上的解码差距在所有三个实例中均匹配或优于模拟器均值，包括对一个序列实现了CPLEX最优解的精确恢复。这些结果表明，经过PCE训练的先验信息能够在生物相关尺度下成功部署于嘈杂的超导硬件。