量子科技中心_量科网

采样问题被普遍视为量子计算机最容易展现量子优势的任务。基于这一特性，量子增强马尔可夫链蒙特卡洛方法[Layden, D. et al., Nature 619, 282-287 (2023)]近期被提出——该方法将量子计算机的输出样本作为提议分布，从而加速目标分布的收敛。然而，确保目标分布收敛通常需要对量子电路施加严格的对称性约束，这既阻碍了优良提议分布的设计，又限制了量子计算机优势的充分发挥。 该研究团队探索了一种量子-经典混合的MCMC框架，将量子电路与生成式神经采样器（GNS）相结合。GNS通过量子样本训练后，可作为经典代理来高效模拟量子输出，从而解除电路约束。研究人员将该方法应用于使用QAOA电路训练提议的自旋玻璃玻尔兹曼采样，其表现超越传统方法——相较均匀提议分布，谱间隙实现了约100倍的提升。值得注意的是，即使不进行参数优化，该方法仍能保持相似的加速效果。 这些成果表明，该方法可作为适用于含噪声中等规模量子（NISQ）设备的可行采样算法，并凸显了量子计算解决实际问题的潜力。