量子科技中心_量科网

从高维结构化概率分布中采样是计算物理学中的一个基础性挑战，尤其在格点场论（LFT）领域——高效生成场构型至关重要却又计算密集。本研究采用先前开发的混合量子-经典归一化流模型，探索此类场景下的量子增强采样方法。该团队的方案将参数化量子电路嵌入经典归一化流架构，利用振幅编码和量子纠缠提升生成过程的表达能力。量子电路作为流模型中的可训练变换层，而经典神经网络则提供自适应耦合并补偿量子硬件缺陷。这种设计能实现高效的密度估计与样本生成，相比纯经典方法可能降低资源需求。虽然格点场论为基准测试提供了具代表性且物理意义明确的应用场景，但该团队的核心目标是通过量子组件提升生成模型的采样效率。这项工作推动了量子增强生成建模框架的发展，旨在解决物理学及其他领域面临的采样瓶颈问题。