量子科技中心_量科网

该团队研究了在量子比特全连接架构下合成克利福德量子电路的问题。该团队将该任务视为一个强化学习问题：智能体学习发现一系列基本克利福德门，将给定的克利福德电路辛矩阵表示逐步化简为单位矩阵。这一公式允许基于从单位矩阵出发的随机游走设计简单的学习课程。该团队提出了一种新颖的神经网络架构，该架构对辛矩阵表示的量子比特重标号具有等变性，且与量子比特数量无关，使得单个学习策略无需电路拼接或网络重参数化即可应用于不同量子比特数的场景。在六量子比特克利福德电路（可获得最优参考结果的最大规模）上，该团队的智能体在毫秒级时间内为每个实例找到的电路仅比最优结果多一个双量子比特门，并在99.2%的实例中于秒级时间内找到最优电路。经过在十量子比特实例上的持续训练后，该智能体可扩展至最多三十个量子比特的未知克利福德表格，包括由超过一千个克利福德门生成的电路目标，在此类场景下，其平均双量子比特门数量低于Qiskit的Aaronson-Gottesman和贪心克利福德合成器。