量子科技中心_量科网

Trotter-Suzuki 模拟的产品公式仍是噪声中等规模量子（NISQ）硬件上实现哈密顿量演化的实用路径，但其精度取决于三个相互耦合的选择：项分组、产品公式阶数和时间步长分配。Qiskit 和 Paulihedral 等工具链依赖手工调优的启发式方法，而分组和阶数的离散性质使得基于梯度的朴素优化难以施展。该团队描述了一个生成与评估循环：条件扩散模型提出策略，物理信息神经网络（PINN）提供可微分的保真度反馈，图神经网络（GNN）编码对易子结构。训练覆盖混合空间（离散的分组与阶数、连续的时间步长）；闭环使用 REINFORCE 算法和帕累托追踪器。在横向场伊辛模型（TFIM）上，根据该团队的主要比较设置，该方法在约 21.8% 的电路深度和 19.2% 的基线 CNOT 门数下，达到了四阶 Qiskit 基线保真度（0.856）的 85.6%。在相等深度预算下，循环中的微调达到了最佳观测保真度 0.9994。更新的消融实验表明，在固定的训练预算和默认引导参数下，模块贡献取决于训练方案和引导超参数，尤其是 CFG 需要与计算预算联合调优。总体而言，结果表明“生成模型与物理监督”是面向 NISQ 编译的一个可行方向，但其优势仍取决于具体运行点。