量子科技中心_量科网

近似张量网络模拟器使得量子电路的经典模拟能够超越精确方法的极限，但选择最优近似参数（如键维阈值）仍是一个成本高昂的试错过程。该团队提出了一种族感知神经架构，仅需电路的OpenQASM描述和执行上下文，即可预测达到目标保真度所需的最小近似阈值，以及量子电路模拟的预期挂钟运行时间。该工作的核心洞见在于，来自不同算法族（如QFT、Grover、VQE）的量子电路因其不同的纠缠结构，表现出根本不同的模拟成本概况。该团队采用族条件残差修正——在共享主干网络上叠加可加性、族特定的调整，借鉴了已有的条件计算技术——使模型能够同时捕捉通用电路特性和算法细节。该架构包含一个预训练的族分类器（准确率97.5%）以及基于门组成启发式算法提取的领域知识算法指纹特征。在涵盖10个算法族、7至130量子比特的电路上评估，该团队的系统实现了79.5%的精确阈值准确率（在相邻阈值范围内达到91.2%），运行时相关性 \(R^2 = 0.82\)，推理时间约50毫秒——取代了可能需要数分钟到数小时的试错模拟运行。消融研究证实，族感知建模提供了最大的单一性能提升（+3.2个百分点），验证了算法族是模拟成本预测的一级特征这一假设。