量子科技中心_量科网

模块化量子架构通过连接多个“量子处理器”（Quantum Processing Units，QPUs），已成为扩展量子计算系统规模的一种可行方案。然而，该方法因芯片间核心操作与量子态传输的高成本而面临重大挑战，这些操作会引入噪声并导致量子退相干。本文提出QARMA——一种基于注意力机制深度强化学习的模块化架构量子比特映射方案，其扩展版QARMA-R还具备动态量子比特复用能力。该团队将基于注意力机制的框架与图神经网络（GNN）相结合，以学习能最小化核心间通信的最优量子比特分配、路由及复用策略。其创新点在于：（1）采用基于Transformer的编码器捕捉全局电路结构与局部量子比特交互；（2）动态量子比特复用编译机制，利用电路运行中的测量与重置操作降低跨操作需求。实验结果表明：相较模块化架构配置的优化版Qiskit，QARMA-R将核心间通信降低达100%（平均85%），而未复用场景下的QARMA对大型电路仍保持15-40%的优化；与传统模块化量子比特映射方案相比，核心间操作减少96.4-100%。该方法推动了量子电路编译技术的发展，使受限资源下的模块化量子系统能运行更复杂算法，为可扩展量子计算架构研究作出贡献。