量子科技中心_量科网

该论文提出了一种基于图神经网络（GNN）的方法，用于通过稳定子雷尼熵（SRE）来估算量子电路中的非稳定子性。非稳定子性是实现量子优势的关键资源，而高效的SRE估算在实际应用中具有重要意义。该研究团队通过从较简单的分类任务到更具挑战性的回归任务的三种监督学习框架来解决非稳定子性估算问题。实验结果表明，所提出的GNN能够从基于图的电路表示中捕捉有意义的特征，从而在不同场景下实现稳健的泛化性能。在分类任务中，GNN在乘积态上训练后，能够泛化到克利福德操作演化的电路、纠缠态以及更多量子比特的电路。在回归任务中，相较于先前工作，GNN显著改进了对超出训练分布范围的、具有更多量子比特和门数量的随机量子电路以及源自横向场伊辛模型的结构化电路的SRE估算。此外，量子电路的图表示天然集成了硬件特定信息。在含噪量子硬件上的仿真实验突显了所提出GNN预测量子设备所测SRE的潜力。