量子科技中心_量科网

许多量子模拟、量子化学和量子机器学习应用所需的并非单一量子态，而是能够表征目标系统异质性的量子态系综。在变分和容错两种场景下，逐态制备这类系综都代价高昂，这促使研究人员采用生成式建模方法。该团队提出了隐变量条件参数化量子电路（LPQCs），这是一种量子-经典混合框架，其中经典神经网络将来自先验分布的隐变量映射到参数化量子电路的参数上。研究人员证明，LPQCs在1-Wasserstein距离下是密度算符上概率测度的通用逼近器，将经典通用逼近定理扩展到了量子分布场景。此外，该工作引入了一种多模态隐先验和一种专家混合电路架构，并实验表明这能在优化过程中有效缓解贫瘠高原问题。数值实验在合成多簇混合量子态系综和源自QM9的三维分子结构系综上验证了该框架。在这些任务中，LPQC的表现优于近期量子生成基线，同时在与典型经典基线竞争时，能以大幅降低的输出维度保持竞争力。通过利用经典神经网络在隐空间中的表达能力，LPQCs为量子生成式建模提供了一条可行的路径。