量子科技中心_量科网

在噪声中等规模量子（NISQ）时代，针对变分算法的参数化量子电路自动化设计面临根本性局限——传统可微分架构搜索依赖的经典模型无法充分表征硬件噪声下的量子门相互作用。该研究团队提出“基于量子自注意力的可微分量子架构搜索”（QBSA-DQAS），这一元学习框架融合量子自注意力机制与硬件感知的多目标搜索，实现自动化架构发现。该框架采用两阶段量子自注意力模块：首先通过参数化量子电路映射架构参数，利用提取的高维特征表示替代经典相似度度量，生成量子衍生的注意力分数来计算上下文依赖关系；其次实施逐位置量子变换以实现特征增强。架构搜索由任务无关的多目标函数引导，同步优化噪声可表达性与成功试验概率（PST）。后搜索优化阶段通过门交换、融合及消除操作降低电路复杂度。 实验验证表明，该方法在变分量子本征求解器（VQE）任务和大型无线传感器网络（WSN）中均表现优异。对于H2分子的VQE计算，QBSA-DQAS获得0.9的精度（标准DQAS为0.89），超越经典注意力基线。通过确定性简化规则的后搜索优化，所发现电路的复杂度最高降低44%的门数量与47%的电路深度，且无精度损失。该框架在三种分子和五种IBM量子硬件噪声模型中均保持稳健性能。在WSN路由任务中，所发现的电路相较量子近似优化算法（QAOA）实现8.6%的能耗降低，较经典贪婪方法降低40.7%。这些成果证实了量子原生架构搜索在NISQ应用中的有效性。