量子科技中心_量科网

高保真电路执行在含噪中等规模量子设备上受到忽视复杂相关噪声的编译管线的瓶颈限制。为此，本方法论文章提出一种量子机器学习控制（QMLC）框架，用于从门集层析（GST）数据生成式地合成量子电路，该框架绕过了传统的两步管线：先通过GST表征原生量子门，再通过酉分解算法进行电路编译。该方法直接从GST数据中学习生成式概念空间，从而能够基于期望的输出分布条件合成量子电路。该工作将GST种电路进行令牌化处理，并采用课程学习激励策略将其嵌入结构化潜在空间——从短电路开始，逐步纳入具有不同输出统计特征的长电路。嵌入序列由具备置换不变池化的集合视觉变换器处理，生成代表量子设备所学概念空间的k-种子向量。跨多个电路聚合数据使得该潜在表征天然具备上下文感知能力，能够捕获孤立门度量无法反映的共享物理噪声环境（如串扰、漂移）。该工作提出一种无条件扩散模型从概念空间中采样。在推理阶段，用户提供目标测量分布，模型生成对应的电路。为确保保真度和鲁棒性，输出结果通过一个基于目标条件协方差矩阵运行的扩散模型进行去噪。这种端到端框架是从原始GST数据直接实现上下文感知、硬件原生电路合成的重要一步，为整合量子控制与编译提供了新范式。QMLC框架尤其适用于具有复杂校准程序的近期量子设备。