量子科技中心_量科网

预测量子电路的输出是验证量子处理器的核心瓶颈，因为通用波函数会随系统规模呈指数增长。该团队引入了一种神经态库（neural statebank），可沿电路轨迹学习波函数。每层都存储为一个自回归Transformer检查点（checkpoint），通过从前一检查点进行局部门更新训练而成，从而产生紧凑的神经表示，能够评估振幅并生成独立样本。在结合纠缠、魔态（magic）和非对角分支的远程电路中，一个仅有30万参数的态库在34量子比特下达到了约\(10^{-2}\)的不保真度（infidelity），优于其他经测试的近似模拟器，同时使用的内存远少于精确态矢量演化方法。相同的架构还能精确模拟量子近似优化（quantum approximate optimization）、Clifford+\(T\)以及Clifford电路。