量子科技中心_量科网

量子机器是最有望在未来几年带来显著提升的前沿技术之一。然而，弥合实际应用与量子硬件实现之间的鸿沟仍是一项复杂任务。主要挑战之一在于如何通过量子比特（即量子信息的基本单位）来表征待解决问题。根据量子机器所采用的具体技术，需要实施适当的表征策略（通常称为嵌入）。本文提出了一种神经增强优化框架，用于解决约束单位圆盘问题——该问题源自中性原子量子硬件中量子比特的定位场景。该方案包含改进的自编码器模型（即距离编码网络）和自定义损失函数（即嵌入损失函数），分别用于计算欧几里得距离和建模优化约束。设计该方案的核心思想在于利用神经网络逼近非线性变换的能力，使距离编码网络学习空间变换，将约束单位圆盘问题的初始不可行解映射为可行解。在固定可比计算时间下，该方案性能优于经典求解器，并为通过类似策略解决其他优化问题开辟了新路径。