量子科技中心_量科网

该论文研究了用于跨通用拓扑结构合成与转译排列电路的人工智能方法。该研究团队采用强化学习技术，实现了25个量子比特以内排列电路的近最优合成。与为特定拓扑开发专用模型不同，研究人员在通用矩形格点上训练基础模型，并通过掩码机制在合成过程中动态选择拓扑子集。这使得该模型能在任何可嵌入矩形格点的拓扑结构上合成排列电路，且无需重新训练。论文展示了5x5格点上的实验结果，与先前面向拓扑的AI模型及经典方法相比，该模型不仅超越了经典启发式算法，性能匹配此前专用AI模型，还能合成训练阶段未见的拓扑结构。研究进一步表明，通过微调可增强模型在特定目标拓扑上的表现。该方法允许单一训练模型高效适配多种拓扑结构，有望实际集成至量子电路转译工作流中。